Group Emotion Recognition - De

Dit project wil de waargenomen emotie van een groep classificeren als Positive , Neutral of Negatieve .

De behoefte aan emotieherkenning

Dus, in de eerste plaats, waarom hebben we emotieherkenning nodig?

Emotieherkenning is belangrijk -

- De gebruikerservaring verbeteren, als klant, leerling of als een generieke servicegebruiker.

- Kan helpen bij het verbeteren van services zonder formeel en continu feedback van de gebruiker te vragen.

- Het gebruik van automatische emotieherkenning in de openbare veiligheid, gezondheidszorg of ondersteunende technologie kan de kwaliteit van het leven van mensen aanzienlijk verbeteren, waardoor ze in een veiliger omgeving kunnen leven of de impact van handicaps of andere gezondheidsproblemen kunnen verminderen. < / p>

Toepassingen van Emotieherkenning

Emotion Recognition heeft toepassingen in crowd analytics, sociale media, marketing, gebeurtenisdetectie en -samenvatting, openbare veiligheid, mens-computerinteractie, digitale beveiligingstoezicht, straatanalyse, beeldopname, enz.

De opkomst van Group Emotion Recognition

Het probleem van emotieherkenning voor een groep mensen is minder uitgebreid bestudeerd, maar het wint aan populariteit vanwege de enorme hoeveelheid beschikbare gegevens op sociale netwerksites die afbeeldingen bevatten van groepen mensen die deelnemen aan sociale evenementen. >

Uitdagingen voor Group Emotion Recognition

Groeps-emotieherkenning is een uitdagend probleem door obstakels zoals hoofd- en lichaamsposities, occlusies, variabele lichtomstandigheden, variantie van acteurs, gevarieerde binnen- en buiteninstellingen en beeldkwaliteit.

Aanpak

Onze oplossing is een op pijplijn gebaseerde aanpak die twee modules (die parallel werken) integreert: bottom-up en top-down modules, gebaseerd op het idee dat de emotie van een groep mensen kan worden afgeleid door het gebruik van zowel bottom-up en top-down benaderingen.

- De bottom-up-module detecteert en extraheert afzonderlijke gezichten die aanwezig zijn in de

beeld en geeft ze door als invoer voor een ensemble van vooraf opgeleide Deep

Convolutional Neural Networks (CNNs).

- Tegelijkertijd detecteert de top-downmodule de labels die zijn gekoppeld aan de

scène en geeft ze door als input voor een Bayesian Network (BN) dat voorspelt

de kansen van elke klasse.

- In de laatste pijplijn wordt de categorie groepsemoties van onderop voorspeld

module wordt doorgegeven als invoer voor het Bayesiaanse netwerk in de top-downmodule

en een algemene voorspelling voor het beeld wordt verkregen.