要約
顔表情認識は過去数十年間、活発な研究分野であり続けていますが、クラス内の高い変動性により依然として課題が残っています。この問題に対する従来のアプローチでは、SIFT（Scale-Invariant Feature Transform）、HOG（Histogram of Oriented Gradients）、LBP（Local Binary Patterns）などの手作業で設計された特徴量を使用し、画像やビデオのデータベース上で訓練された分類器を用いています。これらの手法は制御された条件下で撮影された画像データセットでは比較的良い性能を示しますが、より多くの画像変動や部分的な顔が含まれるより困難なデータセットでは十分な性能を発揮できません。近年、深層学習モデルを使用した顔表情認識のエンドツーエンドフレームワークを提案する研究がいくつかあります。これらの研究はより良い性能を達成していますが、まだ大幅な改善の余地があると考えられています。本研究では、注目機構に基づく畳み込みニューラルネットワーク（Attentional Convolutional Network）を用いた深層学習アプローチを提案します。この方法は顔の重要な部分に焦点を当てることができ、FER-2013、CK+、FERG、JAFFEなど複数のデータセットにおいて以前のモデルよりも著しい改善を達成しています。また、分類器の出力を基に異なる感情を検出するために重要な顔領域を見つけることができる可視化技術も使用しています。実験結果を通じて、異なる感情が顔の異なる部分に対して敏感であることを示しています。