一种用于上下文感知情绪识别的深度学习技术

延世大学和洛桑联邦理工学院(EPFL)的研究人员团队最近开发了一种新技术，该技术可以通过分析图像中的人脸以及上下文特征来识别情绪。他们在arXiv上预先发表的一篇论文中介绍并概述了他们基于深度学习的架构，称为CAER-Net。

几年来，全世界的研究人员一直在尝试开发通过分析图像，视频或音频片段来自动检测人类情绪的工具。这些工具可能具有许多应用程序，例如，改善机器人与人的互动或帮助医生识别精神或神经疾病的迹象(例如，基于非典型的言语模式，面部特征等)。

到目前为止，大多数用于识别图像中情绪的技术都是基于对人脸表情的分析，基本上是假设这些表情最能传达人的情绪反应。结果，用于训练和评估情绪识别工具的大多数数据集(例如，AFEW和FER2013数据集)仅包含人脸的裁剪图像。

常规情绪识别工具的主要局限性在于，当人们的面部表情模糊或难以区分时，它们无法获得令人满意的性能。与这些方法相反，人类不仅能够基于自己的面部表情，而且能够基于上下文线索(例如，他们正在执行的动作，与他人的互动，所在的位置等)来识别他人的情绪。

过去的研究表明，同时分析面部表情和与上下文相关的特征可以显着提高情绪识别工具的性能。受这些发现启发，延世大学和EPFL的研究人员着手开发一种基于深度学习的体系结构，该体系结构可以基于人的面部表情和上下文信息识别图像中的情绪。