Μοντέλα και πλατφόρμες AI

Ερευνητική ομάδα αναπτύσσει τεχνική AI για την ανίχνευση τρισδιάστατων εκφράσεων του προσώπου

Alex McFarland
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ κάμερα πεδίου φωτός του KAIST υπερνικά τις σκιές για σταθερή τρισδιάστατη…
Δείτε περισσότερα
  • Η κάμερα πεδίου φωτός του KAIST υπερνικά τις σκιές για σταθερή τρισδιάστατη ανακατασκευή προσώπου.
  • Η μηχανική μάθηση σε τρισδιάστατες εικόνες πέτυχε ακρίβεια 85% στη διάκριση εκφράσεων του προσώπου.
  • Η τεχνική επιτρέπει εφαρμογές κινητής υγειονομικής περίθαλψης και αλληλεπίδρασης ανθρώπου-μηχανής.

Μια κοινή ερευνητική ομάδα υπό τους καθηγητές Ki-Hun Jeong και Doheon Lee από το Korea Advanced Institute of Science and Technology (KAIST) έχει αναπτύξει μια νέα τεχνική για την ανίχνευση εκφράσεων του προσώπου, συνδυάζοντας τεχνικές κάμερας φωτεινού πεδίου στο εγγύς υπέρυθρο με τεχνητή νοημοσύνη (AI).

Η έρευνα δημοσιεύθηκε στο Advanced Intelligent Systems.

Κάμερες φωτεινού πεδίου

Οι κάμερες φωτεινού πεδίου περιέχουν συστοιχίες μικροφακών μπροστά από τον αισθητήρα εικόνας, και αυτό τους επιτρέπει να χωρέσουν σε ένα smartphone. Ταυτόχρονα, μπορούν ακόμη να αποκτήσουν τις χωρικές και διευθυντικές πληροφορίες του φωτός με μία μόνο λήψη. 

Αυτή η τεχνική εικόνας χρησιμοποιείται για να αναπαράγει εικόνες με πολλούς τρόπους, όπως εικόνες από πολλαπλές οπτικές γωνίες, επανεστίαση και λήψη τρισδιάστατων εικόνων. 

Ωστόσο, η τεχνική έχει ορισμένους περιορισμούς. Οι υφιστάμενες κάμερες φωτεινού πεδίου έχουν δυσκολευτεί να παρέχουν ακριβή αντίθεση εικόνας και 3D ανακατασκευή σε κάποιες περιπτώσεις λόγω των σκιών που προκαλούνται από εξωτερικές πηγές φωτός στο περιβάλλον. 

Η ερευνητική ομάδα ήταν σε θέση να σταθεροποιήσει την ακρίβεια της 3D εικόνας ανακατασκευής που εξαρτάται από το περιβαλλοντικό φως, και η τεχνική τους επέτρεψε να υπερβούν τους περιορισμούς των υφιστάμενων καμερών φωτεινού πεδίου. Αναπτύξαν μια νέα φωτογραφική μηχανή που ήταν βελτιστοποιημένη για την τρισδιάστατη ανακατασκευή εκφράσεων του προσώπου, και τη χρησιμοποιούσαν για να αποκτήσουν υψηλής ποιότητας τρισδιάστατες ανακατασκευές εκφράσεων του προσώπου για διάφορα συναισθήματα. Μπορούσαν να το επιτύχουν ανεξάρτητα από τις συνθήκες φωτισμού του περιβάλλοντος.

Μηχανική μάθηση για τη διάκριση εκφράσεων

Η ομάδα στη συνέχεια χρησιμοποίησε μηχανική μάθηση για να διακρίνει τις εκφράσεις προσώπων στις αποκτηθείσες 3D εικόνες, η οποία πέτυχε ποσοστό ακρίβειας 85%. Επίσης, υπολόγισαν την αλληλεξάρτηση των πληροφοριών απόστασης, η οποία ποικίλλει με την έκφραση προσώπου σε 3D εικόνες, για να αναγνωρίσουν τις πληροφορίες που χρησιμοποιεί μια κάμερα φωτεινού πεδίου για να διακρίνει ανθρώπινες εκφράσεις. 

“Η εξαιρετικά μικροσκοπική κάμερα φωτεινού πεδίου που αναπτύχθηκε από την ερευνητική ομάδα έχει το δυναμικό να γίνει η νέα πλατφόρμα για να αναλύσει ποσοτικά τις εκφράσεις προσώπων και συναισθήματα των ανθρώπων”, είπε ο καθηγητής Ki-Hun Jeong. 

Αυτή η έρευνα θα μπορούσε να έχει μεγάλη επίδραση σε ένα ευρύ φάσμα βιομηχανιών. 

“Θα μπορούσε να εφαρμοστεί σε διάφορους τομείς, συμπεριλαμβανομένων της κινητής υγείας, διάγνωσης πεδίου, κοινωνικής νόησης και αλληλεπιδράσεων ανθρώπου-μηχανής”, είπε.

Alex McFarland

Ο Alex ηγείται των ειδησεογραφικών λειτουργιών που τροφοδοτούνται από AI της Unite.AI, συνδυάζοντας δημοσιογραφία, έρευνα και αυτοματοποίηση για την υποστήριξη έγκαιρης και κλιμακώσιμης κάλυψης της τεχνητής νοημοσύνης. Η δουλειά του βοηθά να διασφαλιστεί ότι οι αναδυόμενες εξελίξεις του AI εμφανίζονται αποτελεσματικά, διατηρώντας τα δημοσιογραφικά πρότυπα της έκδοσης.