Reconocimiento de emociones faciales en vídeo mediante deep–learning para interacción humano-robot

Resumen

El reconocimiento automático de emociones a partir de expresiones faciales en vídeo es un problema relevante en el ámbito de la inteligencia artificial afectiva. En particular, se considera su aplicación como módulo perceptivo para adaptar la interacción y el comportamiento de un robot en función del estado afectivo estimado. En este trabajo se presenta el desarrollo y la evaluación de dos enfoques complementarios para el análisis dinámico de emociones faciales. Por un lado, se emplea un modelo basado en Vision Transformers (ViT-B/32), entrenado sobre el conjunto de datos DFEW y validado de forma externa en MAFW, permitiendo una evaluación cuantitativa mediante métricas globales y por clase. Por otro lado, se implementa un sistema híbrido CNN+LSTM (EMO-AffectNet), orientado a ejecución en tiempo real y evaluado de forma cualitativa. Los resultados muestran un rendimiento
sólido del modelo ViT-B/32, con una degradación moderada en validación externa, y una elevada capacidad de respuesta en tiempo real del modelo CNN+LSTM, alcanzando mayores tasas de procesamiento. El estudio pone de manifiesto el compromiso entre precisión, generalización y operatividad en aplicaciones reales