Du pixel au sentiment :

Abstract

L'utilisation de machines pour effectuer différentes tâches est en constante augmentation dans la société. Donner de la perception aux machines peut les amener à accomplir une grande variété de tâches, même des tâches très complexes comme les soins aux personnes âgées. La perception des machines exige que les machines comprennent leur environnement et l'intention de l'interlocuteur. Reconnaître les émotions faciales pourrait aider à cet égard. Au cours du développement de ce travail, des techniques d'apprentissage profond ont été utilisées sur des images montrant les émotions faciales suivantes : bonheur, tristesse, colère, surprise, dégoût et peur. Dans cette recherche, une approche de réseau neuronal convolutionnel pur a surpassé les résultats obtenus par d'autres méthodes statistiques par d'autres auteurs qui incluent l'ingénierie des caractéristiques. L'utilisation de réseaux convolutifs implique l'apprentissage des caractéristiques, ce qui semble très prometteur pour cette tâche où la définition des caractéristiques n'est pas triviale. De plus, le réseau a été évalué à l'aide de deux corpus différents : l'un a été utilisé pendant la formation du réseau et il a également été utile pour le réglage des paramètres et pour la définition de l'architecture du réseau. Ce corpus se composait d'émotions faciales. Le réseau fournissant les meilleurs résultats de précision de classification a été testé par rapport au deuxième ensemble de données. Même si le réseau n'a été formé qu'avec un seul corpus, le réseau a fait état de résultats prometteurs lorsqu'il a été testé sur un autre ensemble de données, qui montrait des émotions faciales non dirigées. Bien que les résultats obtenus n'étaient pas à la fine pointe de la technologie, les preuves recueillies indiquent qu'un apprentissage en profondeur pourrait convenir pour classer les expressions d'émotions faciales. Ainsi, l'apprentissage en profondeur a le potentiel d'améliorer l'interaction homme-machine parce que sa capacité d'apprentissage permettra aux machines de développer la perception. Et en ayant la perception, les machines fourniront potentiellement des réponses plus lisses, ce qui améliorera considérablement l'expérience de l'utilisateur.