СИСТЕМА РОЗПІЗНАВАННЯ ЕМОЦІЙ ЛЮДИНИ З ВИКОРИСТАННЯМ АЛГОРИТМІВ ГЛИБОКОГО НАВЧАННЯ
DOI:
https://doi.org/10.30837/ITSSI.2022.21.060Ключові слова:
виявлення об’єктів, класифікація об’єктів, навчання з учителем, розпізнавання емоційАнотація
Предметом дослідження є програмна реалізація нейронного класифікатора зображень. У статті розглянуто емоції як особливий вид психічних процесів, що виражають переживання людини, її ставлення до навколишнього світу та до себе. Емоційна сфера може виражатися різними способами: мімікою, позою, руховими реакціями, голосом. Проте найбільшу виразність має обличчя людини. Технології для розпізнавання людських емоцій використовуються для поліпшення обслуговування клієнтів, прийняття рішення про співбесіду з кандидатами, для збільшення емоційного впливу реклами тощо. Тому метою роботи є знаходження та оптимізація найбільш задовільного, з погляду точності, алгоритму класифікації емоцій людини за зображенням обличчя. У статті вирішуються такі завдання: огляд і аналіз сучасного стану "розпізнавання емоцій"; розгляд методів класифікації; вибір найкращого методу для поставленого завдання; розроблення програмної реалізації для класифікації емоцій; проведення аналізу роботи класифікатора, формулювання висновків про проведену роботу на основі отриманих даних. У статті також використовується метод класифікації
зображень, оснований на щільно зв’язаній згортковій нейронній мережі. Отримані результати довели, що для вирішення завдань розпізнавання емоцій добре підходить метод класифікації зображень, оснований на щільно зв’язаній згортковій нейронній мережі, бо зазначений метод має досить високу точність. Оцінена якість класифікатора за такими метриками: accuracy; confusion matrix; precision, recall, f1-score; ROC-крива та значення AUC. Значення accuracy відносно високе – 63%, за умови, що набір даних має незбалансовані класи. AUC також має високе значення – 89%. Висновки. Отримана модель має високі показники розпізнавання емоцій людини та надалі може успішно використовуватися за призначенням.
Посилання
Hess, U., Thibault, P. (2009), "Darwin and Emotion Expression", American Psychologist, Vol. 64, No. 2, P. 120–129. DOI: https://doi.org/10.1037/a0013386
Turabzadeh, S. (2018), "Facial expression emotion detection for real-time embedded systems", Technologies, No. 6 (1), 17 p. DOI: https://doi.org/10.3390/technologies6010017
Ekman, P. (1970), "Universal facial expressions of emotion", California Mental Health Research Digest, Vol. 8, No. 4,
P. 151–158.
Viola, P., Jones, M. (2001), "Rapid object detection using a boosted cascade of simple features", Proceedings of
the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001, Kauai, HI, USA,
–14 December, P. 1–9.
Coots, T., Edwards, G., Taylor, Ch. (2001), "Active Appearance Model", IEEE Transactions on Pattern Analysis and
Machine Intelligence, Vol. 23, No. 6, P. 681–685.
Coots, T., Taylor, K. (2004), "Statistical appearance models for computer vision", Technical Report, University of Manchester, Wolfson Image Analysis Group, Imaging Science and Biomedical Engineering, Manchester M13 9PT, United Kingdom, 125 p.
Van Dyke, Parunak H. (1995), Neural Networks for Pattern Recognition. New York: Christopher M. Bishop, Oxford University Press, 482 p.
Yashina, E., Artiukh, R., Pan, N., Zelensky, A. (2019), "Information technology for recognition of road signs using
a neural network", Innovative technologies and scientific solutions for industries, No. 2 (8). DOI: https://doi.org/10.30837/2522-9818.2019.8.130
Mehryar, M., Rostamizadeh, A., Talwalkar, A. (2018), Foundations of Machine Learning, Cambridge: The MIT Press, 505 p.
Krizhevsky, A., Sutskever, I., Hinton, G. E. (2017), "Image Netclassification with deep convolutional neural networks", Communications of the ACM, Vol. 60, No. 6, P. 84–90.
Huang, G., Sun, Y., Liu, Z. (2016), "Deep networks with stochastic depth", European Conf. on Computer Vision (ECCV), Amsterdam, Netherlands, October, P. 646–661.
Srivastava, R. K., Greff, K., Schmidhuber, J. (2015), "Training very deepnetworks", Advances in Neural Information Processing Systems 28 (NIPS 2015), Montreal, Canada, December, P. 2377–2385.
He, K., Zhang, X., Ren, S. (2016), "Deep residual learning for image recognition", The IEEE Conf. on Computer Vision
and Pattern Recognition (CVPR), Las Vegas, NV, USA, 26 June – 1 July, P. 1–9.
Larsson, G., Maire, M., Shakhnarovich, G. (2017), "Fractalnet: ultra-deepneural networks without residuals", 5th International Conference on Learning Representa-tions, Toulon, France, April, P. 1–11.
Gao, H., Zhuang, L., Laurens van der Maaten, Kilian, W. (2017), "Weinberger Densely Connected Convolutional Networks", The IEEE on Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 21–26 July, P. 1–9.
FER2013 (Facial Expression Recognition 2013 Dataset), available at: https://paperswithcode.com/dataset/fer2013 (last accessed 12.05.2022).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
