Guía de actor-crítico CDBN con aumento de GAN para el reconocimiento facial robusto de emociones

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• El reconocimiento de emociones faciales (FER) enfrenta desafíos debido a datos limitados, ruido y oclusiones.
• Los modelos existentes a menudo luchan con la diversidad de datos y la extracción de características robustas.

Objetivo del estudio:

• Introducir una Red de Creencia Profunda Convolucional Actor-Crítico (ACCDBN) para mejorar la FER.
• Mejorar la precisión y robustez del sistema FER a través de un enfoque unificado de aprendizaje generativo y de refuerzo.

Principales métodos:

• Se utilizaron Redes Generativas Adversarias Condicionales (cGAN) para la aumento de datos, expandiendo las clases de emociones minoritarias.
• Se emplearon Redes de Creencia Profunda Convolucionales (CDBN) para la extracción de características de textura jerárquicas.
• Se integró un módulo Actor-Crítico para la optimización impulsada por refuerzo, refinando las representaciones en función de la precisión de la predicción.

Principales resultados:

• El modelo ACCDBN logró una precisión del 90,4% y un MCC de 0,69 en un conjunto de datos generado por cGAN mediante validación cruzada de 5 veces.
• Demostró un rendimiento superior en comparación con modelos de referencia como CNN, LSTM y ResNet-50.
• Mantuvo un rendimiento sólido en condiciones de ruido y oclusión, lo que indica una mayor robustez.

Conclusiones:

• El aprendizaje generativo guiado por refuerzo mejora significativamente la precisión y robustez de la FER.
• El ACCDBN propuesto ofrece un enfoque prometedor para sistemas avanzados de reconocimiento de emociones faciales.
• El estudio destaca la efectividad de combinar el aprendizaje probabilístico profundo con técnicas de refuerzo para tareas complejas de IA.