Exploring the Interplay between Facial Expression Recognitionand Physical States

• Maria Francesca Roig-Maimó ^[1] ; Miquel Mascaró- Oliver ^[1] ; Esperança Amengual-Alcover ^[1] ; Ramon Mas-Sansó ^[1]
  1. [1] Universitat de les Illes Balears

     Universitat de les Illes Balears

     Palma de Mallorca, España

     
• Localización: Actas del XXIV Congreso Internacional de Interacción Persona-Ordenador. Interacción 2024 / Julian C. Flores González (ed. lit.) , José Angel Taboada González (ed. lit.) , Alejandro Catalá Bolós (ed. lit.) , Nelly Condori Fernández (ed. lit.) , Arcadio Reyes Lecuona (ed. lit.) , 2024, ISBN 978-84-09-62293-1, págs. 97-97
• Idioma: inglés
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen

  • En este artículo se sugiere un nuevo enfoque en el Reconocimiento de Expresiones Faciales (FER) que, yendo más allá de los enfoques convencionales centrados en comprender las emociones humanas, incluye además expresiones asociadas a estados físicos como el dolor y el esfuerzo. Estas últimas, que involucran actividades musculares faciales que se desvían de las expresiones emocionales directas, a menudo no son consideradas en los conjuntos de datos y clasificadores existentes que frecuentemente se centran en estados emocionales. Este trabajo pone de manifiesto la falta de precisión en el reconocimiento de expresiones faciales cuando la imagen de entrada corresponde a un estado físico; en esta investigación se analizan las implicaciones derivadas de la falta de clasificadores adaptados para estados físicos utilizando un clasificador FER preentrenado en un conjunto de datos especializado. Como resultado, se destacan los problemas críticos en las tareas de FER, revelando cómo los conjuntos de datos sin etiquetas de estados físicos introducen sesgos e impactan en la precisión del reconocimiento de expresiones. Una contribución significativa de este trabajo es el nuevo conjunto de datos, UIBVFED Physical States, que incluye expresiones faciales asociadas a estados físicos. Este nuevo conjunto de datos pone de manifiesto las estimaciones sesgadas en las tareas de FER y mejora el entrenamiento de sistemas de reconocimiento, aumentando su adecuación en diversos escenarios.