Reconocimiento y clasificación de emociones en tiempo real para diversas sugerencias utilizando Deep Learning
A Comprehensive Survey
DOI:
https://doi.org/10.5935/jetia.v10i48.1007Resumen
En el cautivador nexo entre la tecnología y las emociones humanas, utilizamos software de vanguardia para discernir los sentimientos de las personas a través de sus expresiones faciales. Esta capacidad única nos permite ofrecer recomendaciones personalizadas para diversas formas de entretenimiento y enriquecimiento, como películas, música, libros y prácticas de meditación. Por ejemplo, si un usuario parece triste, podemos ofrecerle música alegre para levantarle el ánimo. Nuestro objetivo último es mejorar la comprensión de las emociones por parte de la tecnología, para que pueda sugerir contenidos acordes con los estados emocionales de las personas. Mediante esta integración de expresiones faciales y sugerencias diversificadas, nuestro objetivo es cultivar un entorno digital más fácil de usar y solidario, que fomente sentimientos de felicidad y calma. Explorar el cautivador ámbito del reconocimiento de las emociones faciales y los sistemas de recomendación es el eje central de este empeño. La ambición principal es construir un marco capaz de descifrar las emociones del usuario a partir de señales faciales. Mediante el uso de técnicas de aprendizaje profundo como el algoritmo CNN que se puede aplicar a imágenes faciales para procesar vectores de características de reconocimiento de emociones con la categorización de contenido individualizado. Intenta formar una mezcla equilibrada de tecnología avanzada e impulsar el compromiso del usuario, alimentando las conexiones emocionales en el ámbito digital.
Descargas
Referencias
M. Li, H. Xu, X. Huang, Z. Song, X. Liu and X. Li, “Facial Expression Recognition with Identity and Emotion Joint Learning,” in IEEE Transactions on Affective Computing, vol. 12, no. 2, pp. 544-550, 1 April-June 2021, doi:10.1109/TAFFC.2018.2880201.
H. -G. Kim, G. Y. Lee and M. -S. Kim, “Dual-Function Integrated Emotion-Based Music Classification System Using Features From Physiological Signals,” in IEEE Transactions on Consumer Electronics, vol. 67, no. 4, pp. 341-349, Nov. 2021, doi:10.1109/TCE.2021.3120445.
A. V. Savchenko, L. V. Savchenko and I. Makarov, “Classifying Emotions and Engagement in Online Learning Based on a Single Facial Expression Recognition Neural Network,” in IEEE Transactions on Affective Computing, vol. 13, no. 4, pp. 2132-2143, 1 Oct. Dec.2022,doi:10.1109/TAFFC.2022.3188390.
X. Chen, D. Liu, Z. Xiong and Z. -J. Zha, “Learning and Fusing Multiple User Interest Representations for Micro-Video and Movie Recommendations,” in IEEE Transactions on Multimedia, vol. 23, pp. 484496, 2021, doi:10.1109/TMM.2020.2978618.
R. L. Rosa, G. M. Schwartz, W. V. Ruggiero and D. Z. Rodr´ıguez, “A Knowledge-Based Recommendation System That Includes Sentiment Analysis and Deep Learning,” in IEEE Transactions on Industrial Informatics, vol. 15, no. 4, pp. 2124-2135, April 2019, doi:10.1109/TII.2018.2867174.
C. Dalvi, M. Rathod, S. Patil, S. Gite and K. Kotecha, “A Survey of AI-Based Facial Emotion Recognition: Features, ML & DL Techniques, Age-Wise Datasets and Future Directions,” in IEEE Access, vol. 9, pp. 165806-165840, 2021, doi: 10.1109/ACCESS.2021.3131733
Y. Zhao and J. Zeng, “Library Intelligent Book Recommendation System Using Facial Expression Recognition,” 2020 9th International Congress on Advanced Applied Informatics (IIAI-AAI), Kitakyushu, Japan, 2020, pp. 55-58, doi: 10.1109/IIAI-AAI50415.2020.00021.
I. J. Goodfellow, D. Erhan, P. L. Carrier, A. Courville, M.Mirza, B. Hamner, W. Cukierski,Y. Tang, D. Thaler, and D. H. Lee, “Challenges in representation learning: A report on three machine learning contests,” Neural Networks, vol. 64, p. 59, 2015.
E. Barsoum, C. Zhang, C. C. Ferrer, and Z. Zhang, “Training deep networks for facial expression recognition with crowd-sourced label distribution,” in ACM International Conference on Multimodal Interaction, 2016, pp. 279–283.
