基于深度学习的面部表情数据的事后解释与流形分析
计算机视觉与模式识别
2024-04-30 v1 人工智能
摘要
人类复杂的信息处理系统产生大量客观和主观评价，使得探索人类认知产品具有重要的前沿理论价值。近年来，受生物大脑机制启发的深度学习技术在心理或认知科学研究中的应用取得了显著进展，特别是在面部数据的记忆和识别方面。本文通过实验研究探讨神经网络如何处理和存储面部表情数据，并将这些数据与人类产生的一系列心理属性相关联。研究人员利用深度学习模型VGG16，证明神经网络可以学习并再现面部数据的关键特征，从而存储图像记忆。此外，实验结果揭示了深度学习模型在理解人类情感和认知过程中的潜力，并从非欧几里得空间角度建立了认知产品或心理属性的流形可视化解释，为增强AI的可解释性提供了新见解。这项研究不仅推动了AI技术在心理学领域的应用，也为AI的信息处理提供了新的心理学理论理解。代码可在https://github.com/NKUShaw/Psychoinformatics获取。
引用
@article{arxiv.2404.18352,
title = {Post-hoc and manifold explanations analysis of facial expression data based on deep learning},
author = {Yang Xiao},
journal= {arXiv preprint arXiv:2404.18352},
year = {2024}
}
备注
19PAGES