Group Emotion Recognition - De

Aplikacja AI (Deep Learning) do rozpoznawania emocji twarzy grup ludzi

Ten projekt ma na celu sklasyfikowanie postrzeganej emocji grupy jako Positive , Neutral lub Negatywny .

Potrzeba rozpoznawania emocji

Po pierwsze, dlaczego potrzebujemy rozpoznawania emocji?

Rozpoznawanie emocji jest ważne -

- Aby poprawić doświadczenia użytkownika, jako klienta, ucznia lub jako ogólny użytkownik usługi.

- Może pomóc ulepszyć usługi bez konieczności formalnego i ciągłego proszenia użytkownika o opinie.

- Wykorzystanie automatycznego rozpoznawania emocji w bezpieczeństwie publicznym, opiece zdrowotnej lub technologii wspomagającej może znacznie poprawić jakość życia ludzi, pozwalając im żyć w bezpieczniejszym środowisku lub zmniejszyć wpływ niepełnosprawności lub innych warunków zdrowotnych. < / p>

Aplikacje rozpoznawania emocji

Rozpoznawanie emocji ma zastosowanie w analizie tłumu, mediach społecznościowych, marketingu, wykrywaniu i podsumowywaniu zdarzeń, bezpieczeństwie publicznym, interakcji człowiek-komputer, cyfrowym nadzorze bezpieczeństwa, analizie ulicznej, wyszukiwaniu obrazów itp.

Wzrost rozpoznawania emocji grupowych

Problem rozpoznawania emocji dla grupy osób został mniej szczegółowo zbadany, ale zyskuje on na popularności ze względu na ogromną ilość danych dostępnych w serwisach społecznościowych zawierających obrazy grup osób biorących udział w wydarzeniach społecznych. >

Wyzwania stojące przed rozpoznawaniem emocji w grupie

Rozpoznawanie emocji grupowych jest trudnym problemem ze względu na przeszkody, takie jak zmiany ułożenia głowy i ciała, okluzje, zmienne warunki oświetlenia, zmienność aktorów, zróżnicowane ustawienia wewnętrzne i zewnętrzne oraz jakość obrazu.

Podejście

Nasze rozwiązanie to podejście oparte na potoku, które integruje dwa moduły (działające równolegle): moduły oddolne i odgórne, oparte na założeniu, że emocje grupy osób można wywnioskować przy użyciu obu oddolnych i podejścia odgórne.

- Moduł bottom-up wykrywa i wyodrębnia poszczególne twarze obecne w

obraz i przekazuje je jako dane wejściowe zespołowi wyszkolonego Deep

Konwolucyjne sieci neuronowe (CNN).

- Jednocześnie moduł z góry na dół wykrywa etykiety powiązane z

scena i przekazuje je jako dane wejściowe do sieci Bayesian (BN), która przewiduje

prawdopodobieństwa każdej klasy.

- W końcowej fazie, kategoria emocji grupy przewidywana przez oddolne

moduł przekazywany jest jako wejście do sieci Bayesian w module odgórnym

i uzyskuje się ogólną prognozę obrazu.