Group Emotion Recognition - De

Este projeto visa classificar a emoção percebida de um grupo como Positivo , Neutro ou Negativo .

A necessidade de reconhecimento de emoções

Então, antes de tudo, por que precisamos de reconhecimento de emoções?

O reconhecimento de emoções é importante -

- Para melhorar a experiência do usuário, como cliente, aluno ou como usuário de serviço genérico.

- Pode ajudar a melhorar os serviços sem a necessidade de pedir formal e continuamente ao usuário feedback.

- Além disso, usar reconhecimento automático de emoções em segurança pública, assistência médica ou tecnologia assistencial pode melhorar significativamente a qualidade de vida das pessoas, permitindo que elas vivam em um ambiente mais seguro ou reduzindo o impacto que deficiências ou outras condições de saúde têm. / p>

Aplicações do Reconhecimento de Emoções

O Emotion Recognition tem aplicações em análise de multidões, mídia social, marketing, detecção e resumo de eventos, segurança pública, interação humano-computador, vigilância de segurança digital, análise de ruas, recuperação de imagens, etc.

A ascensão do reconhecimento de emoções em grupo

O problema do reconhecimento de emoções para um grupo de pessoas tem sido menos extensivamente estudado, mas está ganhando popularidade devido à enorme quantidade de dados disponíveis em sites de redes sociais que contêm imagens de grupos de pessoas que participam de eventos sociais.

Desafios ao reconhecimento de emoções em grupo

O reconhecimento de emoções em grupo é um problema desafiador devido a obstruções como variações de posição da cabeça e do corpo, oclusões, condições de iluminação variáveis, variância de atores, ambientes internos e externos variados e qualidade de imagem.

Abordagem

Nossa solução é uma abordagem baseada em pipeline que integra dois módulos (que funcionam em paralelo): módulos bottom-up e top-down, com base na ideia de que a emoção de um grupo de pessoas pode ser deduzida usando tanto bottom-up e abordagens de cima para baixo.

- O módulo de baixo para cima detecta e extrai faces individuais presentes no

imagem e passa-os como entrada para um conjunto de pré-treinados Deep

Redes Neurais de Convolução (CNNs).

- Simultaneamente, o módulo top-down detecta os rótulos associados ao

cena e passa-os como entrada para uma Rede Bayesiana (BN) que prevê

as probabilidades de cada classe.

- No pipeline final, a categoria de emoção do grupo prevista pelo bottom-up

módulo é passado como entrada para a rede bayesiana no módulo top-down

e uma previsão geral para a imagem é obtida.