В последние годы бесчисленное количество компьютерных ученых по всему миру разрабатывают модели на основе глубоких нейронных сетей, которые могут предсказывать эмоции людей на основе их выражений лица.
Однако большинство разработанных к настоящему времени моделей просто определяют первичные эмоциональные состояния, такие как гнев, счастье и печаль, а не более тонкие аспекты человеческих эмоций.
С другой стороны, прошлые исследования в области психологии очертили множество аспектов эмоции, например, введя такие показатели, как валентность (то есть, насколько позитивна эмоциональная демонстрация) и возбуждение (то есть, насколько спокойным или возбужденным является человек, выражающий эмоцию) . Хотя для большинства людей легко оценить валентность и возбуждение, просто взглянув на лица людей, это может быть непросто для машин.
Исследователи из Samsung AI и Imperial College London недавно разработали систему на основе глубоких нейронных сетей, которая может с высокой степенью точности оценивать эмоциональную валентность и возбуждение, просто анализируя изображения человеческих лиц, сделанные в повседневных условиях. Эта модель, представленная в статье, опубликованной в Nature Machine Intelligence , может делать прогнозы довольно быстро, что означает, что ее можно использовать для обнаружения тонких качеств эмоций в реальном времени (например, из снимков камер видеонаблюдения).
Помимо высокопроизводительного оборудования, для построения систем машинного обучения требуются два основных компонента: подходящие наборы данных и алгоритмы. Таким образом, в своих прошлых исследованиях группа исследователей из Samsung AI и Imperial College собрала наборы данных, которые можно было использовать для обучения глубоких нейронных сетей распознаванию эмоций, включая наборы данных AFEW-VA и SEWA.
Пока что система на основе глубокой нейронной сети обучена только анализу статических изображений. Хотя теоретически он может быть применен и к видеоматериалам , для того, чтобы одинаково хорошо работать с видео, он также должен учитывать временные корреляции. Таким образом, в своей будущей работе исследователи планируют развивать свою систему, чтобы ее можно было использовать для оценки эмоциональной валентности и возбуждения как по статическим изображениям, так и по видео.