Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

28.10.2021 | Regular Paper

Fast and robust online-learning facial expression recognition and innate novelty detection capability of extreme learning algorithms

Zeitschrift:
Progress in Artificial Intelligence
Autoren:
Sarutte Atsawaraungsuk, Tatpong Katanyukul, Pattarawit Polpinit, Nawapak Eua-anant
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Facial Expression Recognition (FER) is a task usually framed as predicting an emotional state given a facial image. FER has received numerous attentions from both business and academia as it could serve as a crucial component in various applications, e.g., automatic evaluation of customer satisfaction, sign language recognition, and human–computer interaction. Despite active research on the subject, facial expression recognition remains greatly challenging due to the diversity of individual expressions, shapes, and sizes of face, eyes, mouth, and other facial features, as well as orientation, alignment, and lighting. In this paper, we aim to improve the fast and robust online-learning FER with unseen data identification. We compare two widely used feature extraction methods for FER, namely Curvelet Transform (CT) and Local Curvelet Transform (LCT). Furthermore, we explore factors underlying several online extreme learning approaches for unseen data identification. Our experimental results demonstrate that (1) CT is suitable for a cleaner and well-prepared dataset, while LCT seems to work well on a dataset with diverse quality and on level of consistency. (2) The Identity Structural Tolerance Sequential Circular Extreme Learning Machine outperforms other Extreme Learning algorithms employed in FER. (3) LC can provide unseen identification capability to Extreme Learning algorithms. These findings emphasize the common underlying foundation between the extreme learning approach and other traditional learning approaches.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Premium Partner