Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales

El reconocimiento automático de emociones (AEE) juega un papel crucial en numerosas industrias que dependen de comprender las respuestas emocionales humanas, como la publicidad, la tecnología y la interacción humano-robot, especialmente dentro del campo de la Tecnología de la Información (TI). Sin e...

Descripción completa

Detalles Bibliográficos
Autores principales:	Hameed Qutub, Ahmed Adnan, Atay, Yılmaz
Formato:	Online
Idioma:	eng
Publicado:	Universidad Nacional de Ingeniería (UNI) en Managua 2023
Acceso en línea:	https://www.camjol.info/index.php/NEXO/article/view/17181

id	NEXO17181
record_format	ojs
spelling	NEXO171812023-12-30T04:00:22Z Deep Learning Approaches for Classification of Emotion Recognition based on Facial Expressions Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales Hameed Qutub, Ahmed Adnan Atay, Yılmaz Gesture recognition deep learning models VGGNet ResNet EfficientNet Reconocimiento de gestos modelos de aprendizaje profundo VGGNet ResNet EfficientNet Automated emotion recognition (AEE) plays a crucial role in numerous industries that depend on understanding human emotional responses, such as advertising, technology, and human-robot interaction, particularly within the Information Technology (IT) field. However, current systems can often come up short in comprehensively understanding an individual's emotions, as prior research has mainly focused on assessing facial expressions and categorizing them into seven primary emotions, including neutrality. In this study, we present several Deep Convolutional Neural Network (CNN) models designed specifically for the task of facial emotion recognition, utilizing the FER2013 and RAF datasets. The baseline CNN model is established through a trial-and-error method, and its results are compared with more complex deep learning techniques, including ResNet18, VGGNet16, VGGNet19, and Efficient Net-B0 models. Among these models, the VGGNet19 model achieved the best results with a test accuracy of 71.02% on the FER2013 dataset. In comparison, the ResNet18 model outperformed all other models with an 86.02% test accuracy on the RAF-DB dataset. These results underscore the potential for advancing automated emotion recognition through complex deep-learning techniques. El reconocimiento automático de emociones (AEE) juega un papel crucial en numerosas industrias que dependen de comprender las respuestas emocionales humanas, como la publicidad, la tecnología y la interacción humano-robot, especialmente dentro del campo de la Tecnología de la Información (TI). Sin embargo, los sistemas actuales a menudo no logran comprender de manera integral las emociones de un individuo, ya que las investigaciones previas se han centrado principalmente en evaluar las expresiones faciales y clasificarlas en siete emociones primarias, incluida la neutralidad. En este estudio, presentamos varios modelos de Redes Neuronales Convolucionales Profundas (CNN) diseñados específicamente para la tarea de reconocimiento facial de emociones, utilizando los conjuntos de datos FER2013 y RAF. El modelo base de CNN se establece mediante un método de prueba y error, y sus resultados se comparan con técnicas de aprendizaje profundo más complejas, que incluyen los modelos ResNet18, VGGNet16, VGGNet19 y EfficientNet-B0. Entre estos modelos, el modelo VGGNet19 logró los mejores resultados con una precisión de prueba del 71.02% en el conjunto de datos FER2013. En comparación, el modelo ResNet18 superó a todos los demás modelos con una precisión de prueba del 86.02% en el conjunto de datos RAF-DB. Estos resultados destacan el potencial para avanzar en el reconocimiento automático de emociones a través de técnicas complejas de aprendizaje profundo. Universidad Nacional de Ingeniería (UNI) en Managua 2023-11-30 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Peer-Reviewed Article Artículo revisado por pares application/pdf https://www.camjol.info/index.php/NEXO/article/view/17181 10.5377/nexo.v36i05.17181 Nexo Scientific Journal; Vol. 36 No. 05 (2023): In commemoration of the 40th anniversary of the founding of the National University of Engineering; 1-18 Nexo Revista Científica; Vol. 36 Núm. 05 (2023): En conmemoración al 40 aniversario de fundación de la Universidad Nacional de Ingeniería; 1-18 1995-9516 1818-6742 eng https://www.camjol.info/index.php/NEXO/article/view/17181/20921 Copyright (c) 2023 Universidad Nacional de Ingeniería http://creativecommons.org/licenses/by/4.0
institution	Universidad Nacional de Ingeniería
collection	Nexo Revista Científica
language	eng
format	Online
author	Hameed Qutub, Ahmed Adnan Atay, Yılmaz
spellingShingle	Hameed Qutub, Ahmed Adnan Atay, Yılmaz Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales
author_facet	Hameed Qutub, Ahmed Adnan Atay, Yılmaz
author_sort	Hameed Qutub, Ahmed Adnan
description	El reconocimiento automático de emociones (AEE) juega un papel crucial en numerosas industrias que dependen de comprender las respuestas emocionales humanas, como la publicidad, la tecnología y la interacción humano-robot, especialmente dentro del campo de la Tecnología de la Información (TI). Sin embargo, los sistemas actuales a menudo no logran comprender de manera integral las emociones de un individuo, ya que las investigaciones previas se han centrado principalmente en evaluar las expresiones faciales y clasificarlas en siete emociones primarias, incluida la neutralidad. En este estudio, presentamos varios modelos de Redes Neuronales Convolucionales Profundas (CNN) diseñados específicamente para la tarea de reconocimiento facial de emociones, utilizando los conjuntos de datos FER2013 y RAF. El modelo base de CNN se establece mediante un método de prueba y error, y sus resultados se comparan con técnicas de aprendizaje profundo más complejas, que incluyen los modelos ResNet18, VGGNet16, VGGNet19 y EfficientNet-B0. Entre estos modelos, el modelo VGGNet19 logró los mejores resultados con una precisión de prueba del 71.02% en el conjunto de datos FER2013. En comparación, el modelo ResNet18 superó a todos los demás modelos con una precisión de prueba del 86.02% en el conjunto de datos RAF-DB. Estos resultados destacan el potencial para avanzar en el reconocimiento automático de emociones a través de técnicas complejas de aprendizaje profundo.
title	Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales
title_short	Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales
title_full	Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales
title_fullStr	Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales
title_full_unstemmed	Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales
title_sort	enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales
title_alt	Deep Learning Approaches for Classification of Emotion Recognition based on Facial Expressions
publisher	Universidad Nacional de Ingeniería (UNI) en Managua
publishDate	2023
url	https://www.camjol.info/index.php/NEXO/article/view/17181
work_keys_str_mv	AT hameedqutubahmedadnan deeplearningapproachesforclassificationofemotionrecognitionbasedonfacialexpressions AT atayyılmaz deeplearningapproachesforclassificationofemotionrecognitionbasedonfacialexpressions AT hameedqutubahmedadnan enfoquesdeaprendizajeprofundoparalaclasificaciondelreconocimientodeemocionesbasandoseenexpresionesfaciales AT atayyılmaz enfoquesdeaprendizajeprofundoparalaclasificaciondelreconocimientodeemocionesbasandoseenexpresionesfaciales
_version_	1805399706546733056

Enfoques de aprendizaje profundo para la clasificación del reconocimiento de emociones basándose en expresiones faciales

Ejemplares similares