Group Emotion Recognition - De

Этот проект направлен на то, чтобы классифицировать воспринимаемые эмоции группы как Положительные , Нейтральные или <font color = '# dc3545 «> Negative </ FONT>. </ p><br><b> Необходимость распознавания эмоций </ b><br><p> Итак, во-первых, зачем нам распознавать эмоции? </ Р><br><p> Распознавание эмоций важно - </ p><br><p> - для улучшения восприятия пользователя как клиента, обучающегося или как пользователя общего сервиса. </ p><br><p> - может помочь улучшить услуги без необходимости формально и постоянно запрашивать отзывы у пользователя. </ p><br><p> - Кроме того, использование автоматического распознавания эмоций в сфере общественной безопасности, здравоохранения или вспомогательных технологий может значительно улучшить качество жизни людей, позволяя им жить в более безопасной среде или уменьшая воздействие, которое оказывают инвалиды или другие состояния здоровья. < / р><br><b> Приложения распознавания эмоций </ b><br><p> Emotion Recognition имеет приложения для аналитики толпы, социальных сетей, маркетинга, обнаружения и суммирования событий, общественной безопасности, взаимодействия человека с компьютером, наблюдения за цифровой безопасностью, аналитики улиц, поиска изображений и т. д. </ p><br><b> Рост признания эмоций в группе </ b><br><p> Проблема распознавания эмоций для группы людей изучена не так широко, но она набирает популярность из-за огромного количества данных, доступных на сайтах социальных сетей, содержащих изображения групп людей, участвующих в социальных мероприятиях. </ p ><br><b> Проблемы, стоящие перед распознаванием эмоций в группе </ b><br><p> Распознавание эмоций в группе является сложной проблемой из-за препятствий, таких как изменения в позе головы и тела, окклюзии, переменное освещение, разные актеры, различные настройки в помещении и на улице, а также качество изображения. </ p><br><Б> подход </ b><br><p> Наше решение представляет собой конвейерный подход, который объединяет два модуля (которые работают параллельно): восходящие и нисходящие модули, основанные на идее, что эмоции группы людей могут быть выведены с использованием обоих восходящих и нисходящие подходы. </ p><br><p> - Восходящий модуль обнаруживает и извлекает отдельные лица, присутствующие в<br>изображение и передает их в качестве входных данных в ансамбль предварительно обученных Deep<br>Сверточные нейронные сети (CNN). </ P><br><p> - одновременно, сверху вниз, модуль обнаруживает метки, связанные с<br>сцена и передает их в качестве входных данных в байесовскую сеть (BN), которая предсказывает<br>вероятности каждого класса. </ p><br><p> - В последнем конвейере категория эмоций группы, предсказанная снизу вверх<br>модуль передается в качестве входных данных в байесовскую сеть в нисходящем модуле<br>и получается общий прогноз для изображения. </ p>