Group Emotion Recognition - De

این پروژه با هدف دسته بندی احساسات درک شده گروه به عنوان Positive ، Neutral یا منفی .

نیاز به شناخت احساسی

بنابراین، اول از همه، چرا ما نیاز به شناخت احساسات داریم؟

شناسایی احساسات مهم است -

- برای بهبود تجربه کاربر، به عنوان یک مشتری، یادگیرنده یا به عنوان یک کاربر خدمات عمومی.

- می تواند به بهبود خدمات کمک کند بدون نیاز به طور رسمی و پیوسته از کاربر برای بازخورد از کاربر بپرسد.

- همچنین با استفاده از شناخت عاطفی خودکار در امنیت عمومی، مراقبت های بهداشتی یا تکنولوژی کمک می تواند به طور قابل توجهی کیفیت زندگی افراد را بهبود بخشد، به آنها اجازه می دهد تا در یک محیط امن تر زندگی کنند و یا کاهش تاثیرات معلولیت و یا سایر شرایط بهداشتی را داشته باشند. < / p>

برنامه های تشخیص احساسی

شناخت احساسی دارای برنامه های کاربردی در تجزیه و تحلیل جمعیت، رسانه های اجتماعی، بازاریابی، تشخیص رویداد و خلاصه، امنیت عمومی، تعامل انسان و کامپیوتر، نظارت امنیتی دیجیتال، تجزیه و تحلیل خیابانی، بازیابی تصویر، و غیره

افزایش شناخت گروه احساسات

مشکل تشخیص احساسات برای یک گروه از افراد کمتر مورد مطالعه قرار گرفته است، اما به دلیل حجم گسترده ای از اطلاعات موجود در سایت های شبکه های اجتماعی حاوی تصاویر گروهی از افراد شرکت کننده در رویدادهای اجتماعی، محبوبیت زیادی به دست می آورد.

چالش های تشخیص عاطفی گروه

تشخیص احساسات گروهی به دلیل موانع مانند تغییرات صورت و بدن، تغییر شرایط نور متغیر، واریانس بازیگران، تنظیمات مختلف در محیط داخلی و در فضای باز و کیفیت تصویر یک مشکل چالش برانگیز است.

روش

راه حل ما یک رویکرد مبتنی بر خط لوله است که دو ماژول (که به طور موازی کار می کنند) ادغام می شود: ماژول های پایین و بالا به پایین، بر اساس این ایده که احساس گروهی از افراد را می توان با استفاده از هر دو پایین به بالا و رویکردهای بالا به پایین.

- ماژول پایین از بالا تشخیص و استخراج چهره های فرد موجود در

تصویر و آنها را به عنوان ورودی به مجموعه ای از آموزش پیش دبستانی

شبکه های عصبی مصنوعی (CNNs).

- همزمان، ماژول بالا به پایین برچسب های مربوط به آن را تشخیص می دهد

صحنه و آنها را به عنوان ورودی به شبکه Bayesian (BN) که پیش بینی می کند

احتمال هر کلاس.

- در خط نهایی، گروه عاطفی گروه پیش بینی شده از پایین به بالا

ماژول به عنوان ورودی به شبکه Bayesian در ماژول از بالا به پایین منتقل می شود

و یک پیش بینی کلی برای تصویر به دست می آید.