面部情绪识别中的可解释性与游戏化数据收集

训练面部情绪识别模型需要大量数据集和昂贵的标注过程。为缓解此问题，我们开发了一种游戏化方法，无需人类显式标注即可获取带标注的面部情绪数据。我们将这款游戏命名为Facegame，它挑战玩家模仿显示特定基本情绪的面部图像。玩家进行的每一轮游戏都会创建新数据，这些数据包含一组面部特征和关键点，并已用目标面部表情的情绪标签进行标注。这种方法有效地创建了一个稳健、可持续且连续的机器学习训练过程。我们通过一项实验评估了Facegame，该实验揭示了对情感计算领域的若干贡献。首先，游戏化的数据收集方法使我们能够获取每种基本情绪面部表情的丰富变化，这源于玩家面部表情及其表达能力的自然差异。我们报告称，当收集的数据用于丰富知名的自然场景面部情绪数据集并随后用于训练面部情绪识别模型时，准确率有所提高。其次，Facegame使用的自然语言指令方法构成了一种新颖的可解释性方法，可应用于任何面部情绪识别模型。最后，我们观察到，通过反复游戏，玩家的面部情绪感知和表达能力得到了显著改善。