Type de document : Acte de la 2020 15th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2020), 16-20 Nov. 2020.
Auteur : Hilde I. Hummel, Francisca Pessanha, Albert Ali Salah, Thijs J. P.A.M. van Loon, Remco C. Veltkamp
Résumé en français (traduction) : Détection automatique de la douleur faciale chez les chevaux et les ânes
La reconnaissance de la douleur chez les équidés (tels que les chevaux et les ânes) est essentielle pour leur bien-être. Cependant, cette évaluation dépend uniquement de la capacité de l’observateur à repérer les signes visibles de la douleur puisqu’il n’y a pas de communication verbale. L’utilisation des échelles de grimace s’est avérée efficace pour détecter la douleur, mais elle prend beaucoup de temps et dépend également du niveau de formation des observateurs, de sorte que la validité n’est pas facilement garantie. Il est nécessaire d’automatiser ce processus pour faciliter la formation. Ce projet propose un système de prédiction de la douleur chez les chevaux, basé sur les échelles de grimace. Le pipeline trouve automatiquement les points de repère sur les têtes des chevaux avant la classification. Nos expériences montrent que l’utilisation de différents classificateurs pour différentes postures du cheval est nécessaire, et que la fusion de différentes caractéristiques améliore les résultats. Nous étudions en outre le transfert des modèles basés sur le cheval aux ânes et illustrons la perte de précision dans la détection automatique des points de repère et la prédiction ultérieure de la douleur.
Résumé en anglais (original) : Recognition of pain in equines (such as horses and donkeys) is essential for their welfare. However, this assessment depends solely on the ability of the observer to locate visible signs of pain since there is no verbal communication. The use of Grimace scales is proven to be efficient in detecting pain but is time-consuming and also dependent on the level of training of the annotators and, therefore, validity is not easily ensured. There is a need for automation of this process to help training. This work provides a system for pain prediction in horses, based on Grimace scales. The pipeline automatically finds landmarks on horse faces before classification. Our experiments show that using different classifiers for different poses of the horse is necessary, and fusion of different features improves results. We furthermore investigate the transfer of horse-based models for donkeys and illustrate the loss of accuracy in automatic landmark detection and subsequent pain prediction.
