---
language: ko
license: apache-2.0
tags:
- video-classification
- cnn-lstm
- pytorch
- confusion-detection
- daiSEE
datasets:
- daiSEE
metrics:
- accuracy
- f1
- precision
- recall
---

## Colab Notebook

아래 Colab에서 모델을 직접 실행하고 테스트할 수 있습니다.  

[![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/drive/1OkrPq9Cc0kXllSUFG24C-Xz6zZm45Izx?authuser=1#scrollTo=ixU-OYlQ2o79)


## 학습 데이터 (Dataset)
https://people.iith.ac.in/vineethnb/resources/daisee/index.html

- **DAiSEE Dataset** (클래스: Boredom, Confusion, Engagement, Frustration 중 Confusion만 사용)  
- 레이블 매핑:  
  - Confusion = 0 → Not Confused (0)  
  - Confusion = 1~3 → Confused (1)  
- 입력 데이터: 비디오 프레임 (sequence_length=30, image_size=112×112)  


# Face Comprehension: Confusion Binary Classification

이 모델은 **DAiSEE 데이터셋**을 기반으로 사람의 표정·행동을 분석하여 **Confusion(혼란)** 여부를 이진 분류하는 **비디오 이해 모델**입니다.  


---

## 모델 구조 (Model Architecture)

- **Backbone**: MobileNetV2 (ImageNet 사전학습 가중치 사용, 일부 레이어 고정)  
- **Sequence Modeling**: LSTM (hidden_dim=256, num_layers=2)  
- **Attention Mechanism**: Temporal Attention 적용  
- **Classifier**: Fully-connected layer (2 클래스: Not Confused / Confused)  

---


---

## 학습 절차 (Training Procedure)

- Optimizer: Adam (lr=0.001)  
- Loss: Weighted CrossEntropyLoss (Class imbalance 보정)  
  - Not Confused: 67.5%, Confused: 32.5% → 가중치 비율 약 1 : 2.1  
- Scheduler: ReduceLROnPlateau (patience=3, factor=0.5)  
- Epochs: 3~10 (옵션에 따라 변경 가능)  
- Batch Size: 8~16  

---

## 사용 방법 (How to Use)

```python
import torch
from face import DAiSEEConfusionNet

# 모델 로드
model = DAiSEEConfusionNet()
model.load_state_dict(torch.load("confusion_binary_model.pth", map_location="cpu"))
model.eval()

# 입력: (batch, seq_len, C, H, W)
dummy_input = torch.randn(1, 30, 3, 112, 112)
outputs = model(dummy_input)

prediction = torch.argmax(outputs, dim=1).item()
print("예측 결과:", "Confused" if prediction == 1 else "Not Confused")