Reconhecimento e classificação de emoções em tempo real para diversas sugestões usando a aprendizagem profunda
A Comprehensive Survey
DOI:
https://doi.org/10.5935/jetia.v10i48.1007Resumo
No nexo cativante da tecnologia e das emoções humanas, utilizamos um software de última geração para discernir os sentimentos das pessoas por meio de suas expressões faciais. Esse recurso exclusivo nos capacita a fornecer recomendações personalizadas para várias formas de entretenimento e enriquecimento, como filmes, músicas, livros e práticas de meditação. Por exemplo, se um usuário parecer triste, podemos oferecer música animada para melhorar seu humor. Nosso objetivo final é aprimorar a compreensão das emoções por parte da tecnologia, permitindo que ela sugira conteúdo que esteja de acordo com o estado emocional das pessoas. Por meio dessa integração de expressões faciais e sugestões diversificadas, nosso objetivo é cultivar um ambiente digital mais amigável e de apoio ao usuário, promovendo sentimentos de felicidade e tranquilidade. Explorar o domínio cativante do reconhecimento de emoções faciais e dos sistemas de recomendação é a ênfase central desse empreendimento. A principal ambição é construir uma estrutura capaz de decifrar as emoções do usuário a partir de sinais faciais. Usando técnicas de aprendizagem profunda, como o algoritmo CNN, que pode ser aplicado a imagens faciais para processar vetores de recursos de reconhecimento de emoções com a categorização de conteúdo individualizado. Ele tenta formar uma combinação equilibrada de tecnologia avançada e impulsionar o envolvimento do usuário, nutrindo conexões emocionais no domínio digital.
Downloads
Referências
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.
