Emotion Recognition - Facial Expression Detection на компьютер

Этот проект направлен на то, чтобы классифицировать воспринимаемые эмоции группы как Положительные , Нейтральные или <font color = '# dc3545 «> Negative </ FONT>. Используемый набор данных представляет собой базу данных Group Affect 3.0, которая содержит «дикие» фотографии групп людей в различных социальных средах. </ P><br><b> Необходимость распознавания эмоций </ b><br><p> Итак, прежде всего, зачем нам нужно распознавание эмоций? </ Р><br><p> Эмоциональное распознавание важно - </ p><br><p> - для улучшения восприятия пользователя как клиента, обучающегося или как пользователя универсального сервиса. </ p><br><p> - может помочь улучшить услуги без необходимости формально и постоянно запрашивать отзывы у пользователя. </ p><br><p> - Кроме того, использование автоматического распознавания эмоций в сфере общественной безопасности, здравоохранения или вспомогательных технологий может значительно улучшить качество жизни людей, позволяя им жить в более безопасной среде или уменьшая воздействие, которое оказывают инвалидность или другие состояния здоровья. / р><br><b> Приложения распознавания эмоций </ b><br><p> Emotion Recognition имеет приложения для аналитики толпы, социальных сетей, маркетинга, обнаружения и суммирования событий, общественной безопасности, взаимодействия человека с компьютером, наблюдения за цифровой безопасностью, аналитики улиц, поиска изображений и т. д. </ p><br><b> Рост признания эмоций в группе </ b><br><p> Проблема распознавания эмоций для группы людей изучена не так широко, но она набирает популярность благодаря огромному количеству данных, доступных на сайтах социальных сетей, содержащих изображения групп людей, участвующих в социальных мероприятиях. </ p ><br><b> Проблемы, стоящие перед распознаванием эмоций в группе </ b><br><p> Распознавание эмоций в группе является сложной проблемой из-за препятствий, таких как изменения позы головы и тела, окклюзии, переменное освещение, разные актеры, различные настройки в помещении и на улице, а также качество изображения. </ p><br><Б> подход </ b><br><p> Мой подход основан на исследовательской работе «Распознавание эмоций в дикой природе с использованием глубоких нейронных сетей и байесовских классификаторов». Таким образом, модель в основном представляет собой новую комбинацию глубоких нейронных сетей и байесовских классификаторов. Нейронная сеть работает снизу вверх, анализируя эмоции, выраженные изолированными лицами. Байесовский классификатор оценивает глобальные эмоции, объединяя нисходящие функции, полученные через дескриптор сцены. </ P><br><p> <strong> Подход сверху вниз </ strong> учитывает контекст сцены, такой как фон, одежда, место и т. д. Он состоит из следующих шагов: </ p><br><p> - получение дескрипторов сцены </ p><br><p> - Установка доказательств в байесовской сети </ p><br><p> - Оценка апостериорного распределения Байесовской сети </ p><br><p> <strong> Восходящий подход </ strong> оценивает выражения лица каждого человека в группе - </ p><br><p> - Распознавание лиц </ p><br><p> - Особенности предварительной обработки </ p><br><p> - прямой проход CNN </ p><br><p> Значение, полученное восходящим модулем, затем используется в качестве входных данных для байесовской сети на верхнем уровне. </ p>