Group Emotion Recognition - De

该项目旨在将群体的感知情绪分类为正面，中立或<font color ='＃dc3545 “>否定</ FONT> </ p><br><b>需要情感识别</ b><br><p>所以，首先，为什么我们需要情感识别？ </ p><br><p>情感识别很重要 - </ p><br><p> - 改善用户体验，作为客户，学习者或通用服务用户。</ p><br><p> - 可以帮助改善服务，而无需正式且不断地要求用户提供反馈。</ p><br><p> - 此外，在公共安全，医疗保健或辅助技术中使用自动情绪识别可以显着改善人们的生活质量，使他们能够生活在更安全的环境中或减少残疾或其他健康状况所带来的影响。 / p><br><b>情绪识别的应用</ b><br><p> Emotion Recognition在人群分析，社交媒体，营销，事件检测和摘要，公共安全，人机交互，数字安全监控，街道分析，图像检索等方面具有应用。</ p><br><b>群体情感识别的兴起</ b><br><p>对一群人的情绪识别问题进行的研究较少，但由于社交网站上提供的大量数据包含参与社交活动的人群图像，因此人们越来越受欢迎。</ p ><br><b>群体情感识别面临的挑战</ b><br><p>群体情绪识别是一个具有挑战性的问题，因为头部和身体姿势变化，遮挡，变化的光照条件，演员的变化，各种室内和室外设置以及图像质量等障碍物。</ p><br><B>方法</ b>的<br><p>我们的解决方案是一种基于流水线的方法，它集成了两个模块（并行工作）：自下而上和自上而下的模块，基于这样一种观点，即可以使用自下而上的方式推断出一群人的情感和自上而下的方法。</ p><br><p> - 自下而上模块检测并提取出现在的个别面孔<br>图像并将它们作为输入传递给预训练的Deep的整体<br>卷积神经网络（CNNs）。</ p><br><p> - 同时，自上而下模块检测与之关联的标签<br>场景并将它们作为输入传递给预测的贝叶斯网络（BN）<br>每个班级的概率。</ p><br><p> - 在最后的管道中，由自下而上预测的群体情绪类别<br>模块作为输入传递给自上而下模块中的贝叶斯网络<br>并获得图像的整体预测。</ p>