Resumen del Artículo
ESTUDIO Y ENTRENAMIENTO DE UN MODELO DE APRENDIZAJE PROFUNDO PARA EL RECONOCIMIENTO DE EMOCIONES HUMANAS
José Crispín Hernández Hernández1; María del Rocío Ojeda López1; Eduardo Sánchez Lucero1; Edmundo Bonilla Huerta1; José Federico Ramírez Cruz[1]
1Tecnológico Nacional de México / Instituto Tecnológico de Apizaco. This email address is being protected from spambots. You need JavaScript enabled to view it., This email address is being protected from spambots. You need JavaScript enabled to view it., This email address is being protected from spambots. You need JavaScript enabled to view it., This email address is being protected from spambots. You need JavaScript enabled to view it., This email address is being protected from spambots. You need JavaScript enabled to view it.
Resumen
En los últimos años, el reconocimiento de emociones faciales (FER, Face Expression Recognition) incrementó su interés de estudio en diversas disciplinas, por citar: la industria, la medicina, la psicología cognitiva, y en especial, en la computación. A pesar de existir nuevas técnicas de aprendizaje automático y de aprendizaje profundo que abordan dicho FER, el medir las emociones es una tarea difícil en ambientes de la vida real, en expresiones débilmente posadas, y los atributos faciales. En este trabajo se presenta el uso de la biblioteca de aprendizaje profundo fastai, la cual cuenta con una biblioteca de visión por computadora optimizada para GPU. Específicamente se utilizó una red de aprendizaje profundo ya entrenada, aplicando la técnica de aprendizaje por transferencia en los modelos: ResNet50, ResNet34, y ResNet18; que se caracterizan por una mejor comprensión de las características discriminativas de baja dimensión a partir de patrones faciales complejos de alta dimensión para reconocimiento automático de emociones faciales. Para mitigar el problema de sobreajuste debido a la disponibilidad inadecuada de datos de entrenamiento, se utilizaron 2 bases de datos públicas de fotografías de rostros etiquetadas con las 6 etiquetas: ira, asco, miedo, felicidad, tristeza y sorpresa; más la neutral (los conjuntos de datos Kaggle's Facial Expression Recognition Challenge y CK+). Este trabajo abarca dos objetivos principales. El primero es debatir el escenario actual de los enfoques FER y el segundo es presentar algunas reflexiones acerca de los obstáculos y las perspectivas sobre las direcciones futuras del reconocimiento automático de emociones faciales.
Fastai, GPU, Aprendizaje por transferencia, Reconocimiento de emociones faciales, Aprendizaje automático, Aprendizaje profundo
Fecha de Recepción: 03/12/2023ǀ Fecha de Aceptación: 11/12/2023
EXTENSO;
