[논문]저해상도 영상 자료를 사용하는 얼굴 표정 인식을 위한 소규모 심층 합성곱 신경망 모델 설계

살리모프 시로지딘; 류재흥

doi:10.13067/jkiecs.2021.16.1.75

저해상도 영상 자료를 사용하는 얼굴 표정 인식을 위한 소규모 심층 합성곱 신경망 모델 설계
A Design of Small Scale Deep CNN Model for Facial Expression Recognition using the Low Resolution Image Datasets 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.16 no.1, 2021년, pp.75 - 80

살리모프 시로지딘 (전남대학교 컴퓨터공학과) , 류재흥 (전남대학교 컴퓨터공학과)

초록
AI-Helper

인공 지능은 놀라운 혜택을 제공하는 우리 삶의 중요한 부분이 되고 있다. 이와 관련하여 얼굴 표정 인식은 최근 수십 년 동안 컴퓨터 비전 연구자들 사이에서 뜨거운 주제 중 하나였다. 저해상도 이미지의 작은 데이터 세트를 분류하려면 새로운 소규모 심층 합성곱 신경망 모델을 개발해야 한다. 이를 위해 소규모 데이터 세트에 적합한 방법을 제안한다. 이 모델은 기존 심층 합성곱 신경망 모델에 비해 총 학습 가능 가중치 측면에서 메모리의 일부만 사용하지만 FER2013 및 FERPlus 데이터 세트에서 매우 유사한 결과를 보여준다.

Abstract ▼ AI-Helper

Artificial intelligence is becoming an important part of our lives providing incredible benefits. In this respect, facial expression recognition has been one of the hot topics among computer vision researchers in recent decades. Classifying small dataset of low resolution images requires the development of a new small scale deep CNN model. To do this, we propose a method suitable for small datasets. Compared to the traditional deep CNN models, this model uses only a fraction of the memory in terms of total learnable weights, but it shows very similar results for the FER2013 and FERPlus datasets.

주제어

표/그림 (11)

표 Table 1. Cardinality of FER2013 and FERPlus datasets
그림 Fig. 1 Invalid example images from FER2013
그림 Fig. 2 Every single face image has two labels below it; top ones are showing FER2013 labels, while below ones are showing labels for FERPlus
표 Table 2. Model complexity by the number of layers and parameters
그림 Fig. 3 Our model architecture
그림 Fig. 4 Learning curves for FER2013 dataset
표 Table 3. Experiments on FER2013 to find the model using augmented images
표 Table 4. Model accuracy on FER2013 dataset
표 Table 5. Model accuracy on FERPlus dataset
그림 Fig. 5 Confusion matrix for FER2013
그림 Fig. 6 Confusion matrix for FERPlus

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

대상 데이터

The model has 6 convolutional layers, 3 fully connected layers and the output layer. Output layer represents number of classes, which is 7 in case of FER2013 dataset and 8 in case of FERPlus dataset.

참고문헌 (12)

A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks", In Advances in Neural Information Processing Systems 25: 26th Annual Conf. on Neural Information Processing Systems, New York, USA, Dec. 2012, pp. 1097-1105.
J. Hu, L. Shen, S. Albanie, G. Sun, and E. Wu, "Squeeze-and-Excitation Networks," In IEEE Conf. on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018, pp. 7132-7141.
M. I. Georgescu, R. T. Ionescu, and M. Popescu, "Local Learning with Deep and Handcrafted Features for Facial Expression Recognition," IEEE Access, vol. 7, 2019, pp. 64827-64836.

상세보기
K. Wang, X. Peng, J. Yang, D. Meng, and Y. Qiao, "Region Attention Networks for Pose and Occlusion Robust Facial Expression Recognition," IEEE Trans. on Image Processing, vol. 29, 2020, pp. 4057-4069.

상세보기
S. Albanie, A. Nagrani, A. Vedaldi, and A. Zisserman, "Emotion Recognition in Speech using Cross-Modal Transfer in the Wild," In Proc. of the 26th ACM Int. conf. on Multimedia, Seoul, Korea, 2018, pp. 292-301.
E. Barsoum, C. Zhang, C. C. Ferrer, and Z. Zhang, "Training Deep Networks for Facial Expression Recognition with Crowd-Sourced Label Distribution," In Proc. of the 18th ACM Inte. Conf. on Multimodal Interaction, Tokyo, Japan, 2016, pp. 279-283.
J. Yoo, "An Extension of Unified Bayesian Tikhonov Regularization Method and Application to Image Restoration," J. of the Korea Institute of Electronic Communication Sciences, vol. 15, no. 01, 2020, pp. 161-166.
J. Yoo, "A Unified Bayesian Tikhonov Regularization Method for Image Restoration," J. of the Korea Institute of Electronic Communication Sciences, vol. 11, no. 11, 2016, pp. 1129-1134.

원문보기 상세보기
J. Yoo, "Self-Regularization Method for Image Restoration," J. of the Korea Institute of Electronic Communication Sciences, vol. 11, no. 1, 2016, pp. 45-52.

원문보기 상세보기
S. Kim and D. Cho, "Design and Implementation of Hashtag Recommendation System Based on Image Label Extraction using Deep Learning," J. of the Korea Institute of Electronic Communication Sciences, vol. 15, no. 4, 2020, pp. 709-716.

원문보기 상세보기
Y. Kim, D. Kim, and S. Park, "Research on Robust Face Recognition against Lighting Variation using CNN," J. of the Korea Institute of Electronic Communication Sciences, vol. 12, no. 2, 2017, pp. 325-330.

원문보기 상세보기
M. Ying and K. Kim, "CNN Based 2D and 2.5D Face Recognition For Home Security System," J. of the Korea Institute of Electronic Communication Sciences, vol. 14, no. 6, 2019, pp. 1207-1214.

원문보기 상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증