Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial

Mostrar todas las versiones(2)

Hoy en día, la búsqueda de soluciones lightweight que logren resultados comparables a modelos de Deep learning robustos ha recibido particular atención debido a su implementación factible en dispositivos móviles. Uno de los problemas que podrían aprovechar esta cualidad es el de Facial Expression Re...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Mastropasqua, Nicolás Ezequiel
Otros Autores:	Acevedo, Daniel Germán
Formato:	Tesis de grado publishedVersion
Lenguaje:	Español
Publicado:	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2023
Materias:	FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION
Acceso en línea:	https://hdl.handle.net/20.500.12110/seminario_nCOM000545_Mastropasqua https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesisg&d=seminario_nCOM000545_Mastropasqua_oai
Aporte de:	Repositorio Digital de la Universidad de Buenos Aires (UBA) de Universidad de Buenos Aires

id	I28-R145-seminario_nCOM000545_Mastropasqua_oai
record_format	dspace
spelling	I28-R145-seminario_nCOM000545_Mastropasqua_oai2025-08-20 Acevedo, Daniel Germán Mastropasqua, Nicolás Ezequiel 2023 Hoy en día, la búsqueda de soluciones lightweight que logren resultados comparables a modelos de Deep learning robustos ha recibido particular atención debido a su implementación factible en dispositivos móviles. Uno de los problemas que podrían aprovechar esta cualidad es el de Facial Expression Recognition (FER). Considerando que una gran cantidad de datasets de expresiones faciales suelen estar anotados con emociones categ´oricas cuando en realidad la mayor´ıa de las expresiones exhibidas en escenarios in-the wild ocurren como combinaciones o composici´on de emociones básicas, se puede hacer uso de Label Distribution Learning (LDL) como estrategia para el entrenamiento. En este trabajo se abordará el problema de FER a través de redes neuronales livianas entrenadas con LDL. Bajo el supuesto de que las im´agenes de expresiones faciales deberían tener una distribuci´on de emoción similar a la de su vecindad en un espacio de etiquetas auxiliares adecuado, como aquel determinado por la tarea de Action unit recognition, se puede aprovechar la informaci´on de las distribuciones e incorporar como parte la función de pérdida. Concretamente, se estudiarán en profundidad dos arquitecturas lightweight del Estado del arte, EfficientFace y CERN, y se analizará el impacto de distintos acercamientos para implementar LDL considerando datasets in the wild como RAF-DB, CAER-S, FER+ y AffectNet. Nowadays, the search for lightweight solutions that achieve comparable results to those of heavy deep learning models has received increasing attention due to a feasible implementation on mobile devices. One of the problems that might benefit from this approach is the task of Facial Expression Recognition (FER). Considering the fact that datasets usually come with categoric labeling but most emotions occur as combinations, mixtures, or compounds of the basic emotions, we make use of label distribution learning (LDL) as a training strategy. In this thesis we deal with the FER problem using lightweight neuronal networks and LDL. We further assume that facial images should have similar emotion distributions to their neighbors when the right auxiliary task is considered, like the Action Unit Recognition problem. This neighbors’ distribution information is captured in the loss function to help the LDL training process. Specifically, we conduct a study of two state-of-the-art architectures, EfficientFace and CERN, to then analyze the impact of using different approaches to LDL on a variety of in-the-wild datasets: RAF-DB, CAER-S, FER+ and AffectNe Fil: Mastropasqua, Nicolás Ezequiel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. application/pdf https://hdl.handle.net/20.500.12110/seminario_nCOM000545_Mastropasqua spa Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial info:eu-repo/semantics/bachelorThesis info:ar-repo/semantics/tesis de grado info:eu-repo/semantics/publishedVersion https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesisg&d=seminario_nCOM000545_Mastropasqua_oai
institution	Universidad de Buenos Aires
institution_str	I-28
repository_str	R-145
collection	Repositorio Digital de la Universidad de Buenos Aires (UBA)
language	Español
orig_language_str_mv	spa
topic	FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION
spellingShingle	FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION Mastropasqua, Nicolás Ezequiel Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial
topic_facet	FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION FACIAL EXPRESSION RECOGNITION LABEL DISTRIBUTION LEARNING LIGHTWEIGHT CONVOLUTIONAL NEURONAL NETWORK ACTION UNIT RECOGNITION
description	Hoy en día, la búsqueda de soluciones lightweight que logren resultados comparables a modelos de Deep learning robustos ha recibido particular atención debido a su implementación factible en dispositivos móviles. Uno de los problemas que podrían aprovechar esta cualidad es el de Facial Expression Recognition (FER). Considerando que una gran cantidad de datasets de expresiones faciales suelen estar anotados con emociones categ´oricas cuando en realidad la mayor´ıa de las expresiones exhibidas en escenarios in-the wild ocurren como combinaciones o composici´on de emociones básicas, se puede hacer uso de Label Distribution Learning (LDL) como estrategia para el entrenamiento. En este trabajo se abordará el problema de FER a través de redes neuronales livianas entrenadas con LDL. Bajo el supuesto de que las im´agenes de expresiones faciales deberían tener una distribuci´on de emoción similar a la de su vecindad en un espacio de etiquetas auxiliares adecuado, como aquel determinado por la tarea de Action unit recognition, se puede aprovechar la informaci´on de las distribuciones e incorporar como parte la función de pérdida. Concretamente, se estudiarán en profundidad dos arquitecturas lightweight del Estado del arte, EfficientFace y CERN, y se analizará el impacto de distintos acercamientos para implementar LDL considerando datasets in the wild como RAF-DB, CAER-S, FER+ y AffectNet.
author2	Acevedo, Daniel Germán
author_facet	Acevedo, Daniel Germán Mastropasqua, Nicolás Ezequiel
format	Tesis de grado Tesis de grado publishedVersion
author	Mastropasqua, Nicolás Ezequiel
author_sort	Mastropasqua, Nicolás Ezequiel
title	Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial
title_short	Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial
title_full	Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial
title_fullStr	Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial
title_full_unstemmed	Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial
title_sort	estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial
publisher	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate	2023
url	https://hdl.handle.net/20.500.12110/seminario_nCOM000545_Mastropasqua https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesisg&d=seminario_nCOM000545_Mastropasqua_oai
work_keys_str_mv	AT mastropasquanicolasezequiel estudioderedesprofundaslivianasconaprendizajebasadoendistribucionesaplicadasalreconocimientofacial
_version_	1843126979395584000

Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial

Ejemplares similares