Group Emotion Recognition - De

Projek ini bertujuan untuk mengklasifikasikan emosi yang dianggap sebagai kumpulan sebagai Positif , Neutral atau Negatif .

Keperluan Pengiktirafan Emosi

Jadi, pertama sekali, mengapa kita memerlukan pengiktirafan emosi?

Pengiktirafan emosi adalah penting -

- Untuk meningkatkan pengalaman pengguna, sebagai pelanggan, pelajar, atau sebagai pengguna perkhidmatan generik.

- Boleh membantu meningkatkan perkhidmatan tanpa perlu secara formal dan berterusan meminta pengguna mendapatkan maklum balas.

- Juga, menggunakan pengiktirafan emosi automatik dalam keselamatan awam, penjagaan kesihatan, atau teknologi bantuan, dapat meningkatkan kualiti kehidupan rakyat dengan ketara, membolehkan mereka hidup dalam lingkungan yang lebih selamat atau mengurangkan kesan ketidakupayaan atau keadaan kesihatan yang lain.

/ p>

Aplikasi Pengiktirafan Emosi

Pengiktirafan Emosi mempunyai aplikasi dalam analisis orang ramai, media sosial, pemasaran, pengesanan dan ringkasan acara, keselamatan awam, interaksi manusia-komputer, pengawasan keselamatan digital, analisis jalan, pengambilan imej, dan sebagainya.

Kebangkitan Pengiktirafan Emosi Kumpulan

Masalah pengiktirafan emosi bagi sekumpulan orang telah kurang dikaji secara mendalam, tetapi ia semakin popular kerana jumlah data yang banyak terdapat di laman rangkaian sosial yang mengandungi imej kumpulan orang yang mengambil bahagian dalam acara sosial.

Cabaran yang dihadapi Pengiktirafan Emosi Kumpulan

Pengiktirafan emosi kumpulan adalah masalah yang mencabar disebabkan oleh halangan seperti kepala dan badan yang menimbulkan variasi, occlusions, keadaan pencahayaan yang berubah-ubah, variasi pelaku, pelbagai tetapan dalaman dan luaran dan kualiti imej.

Pendekatan

Penyelesaian kami adalah pendekatan berasaskan saluran yang mengintegrasikan dua modul (yang berfungsi secara selari): modul bawah dan atas ke bawah, berdasarkan idea bahawa emosi sekumpulan orang dapat disimpulkan menggunakan kedua-dua bahagian bawah dan pendekatan atas ke bawah.

- Modul bottom-up mengesan dan mengekstrak wajah individu yang hadir di dalam

imej dan melepasi mereka sebagai input kepada ensemble Deep yang terlatih

Rangkaian Neural Konvensional (CNNs).

- Secara bersamaan, modul atas-bawah mengesan label yang dikaitkan dengan

adegan dan melepasi mereka sebagai input kepada Rangkaian Bayesian (BN) yang meramalkan

kebarangkalian setiap kelas.

- Dalam perancangan akhir, kategori emosi kumpulan yang diramalkan oleh bahagian bawah

modul diluluskan sebagai input kepada Rangkaian Bayesian dalam modul atas-bawah

dan ramalan keseluruhan untuk imej diperolehi.