Group Emotion Recognition - De

Eine KI-App (Deep Learning) zum Erkennen der Gesichtsgefühle von Gruppen von Menschen

Dieses Projekt zielt darauf ab, die wahrgenommene Emotion einer Gruppe als positiv , neutral oder Negativ .

Die Notwendigkeit der Emotionserkennung

Warum brauchen wir also zuerst Emotionserkennung?

Emotionserkennung ist wichtig -

- Zur Verbesserung des Nutzererlebnisses als Kunde, Lernender oder allgemeiner Servicebenutzer.

- Kann zur Verbesserung von Diensten beitragen, ohne den Benutzer förmlich und kontinuierlich um Feedback bitten zu müssen.

- Die Verwendung der automatischen Erkennung von Emotionen in den Bereichen öffentliche Sicherheit, Gesundheitswesen oder unterstützende Technologien kann die Lebensqualität der Menschen erheblich verbessern und ihnen ermöglichen, in einer sichereren Umgebung zu leben oder die Auswirkungen von Behinderungen oder anderen Gesundheitszuständen zu verringern. < / p>

Anwendungen der Emotionserkennung

Emotionserkennung hat Anwendungen in den Bereichen Crowd Analytics, Social Media, Marketing, Ereigniserkennung und -zusammenfassung, öffentliche Sicherheit, Mensch-Computer-Interaktion, digitale Sicherheitsüberwachung, Straßenanalyse, Bildwiederherstellung usw.

Der Aufstieg der Gruppenemotionserkennung

Das Problem der Emotionserkennung für eine Gruppe von Menschen wurde weniger ausführlich untersucht, es gewinnt jedoch aufgrund der riesigen Datenmenge, die auf Websites sozialer Netzwerke mit Bildern von Personengruppen, die an sozialen Veranstaltungen teilnehmen, verfügbar ist, an Beliebtheit. >

Herausforderungen für die Erkennung von Gruppengefühlen

Die Erkennung von Gruppenemotionen ist aufgrund von Behinderungen wie Kopf- und Körperposen, Okklusionen, variablen Lichtverhältnissen, unterschiedlichen Darstellern, unterschiedlichen Innen- und Außeneinstellungen und Bildqualität ein herausforderndes Problem.

Ansatz

Unsere Lösung ist ein Pipeline-basierter Ansatz, der zwei Module (die parallel arbeiten) integriert: Bottom-Up- und Top-Down-Module, basierend auf der Idee, dass die Emotionen einer Gruppe von Menschen mit beiden Bottom-Up-Methoden abgeleitet werden können und Top-Down-Ansätze.

- Das Bottom-Up-Modul erkennt und extrahiert einzelne Gesichter im

Bild und übergibt sie als Input an ein Ensemble von vortrainierten Deep

Convolutional Neural Networks (CNNs).

- Gleichzeitig erkennt das Top-Down-Modul die mit dem verknüpften Bezeichnungen

Szene und übergibt sie als Eingabe an ein Bayesian Network (BN), das vorhersagt

die Wahrscheinlichkeiten jeder Klasse.

- In der letzten Pipeline wird die vom Bottom-up vorhergesagte Gruppenemotionskategorie angezeigt

Das Modul wird als Eingabe an das Bayes'sche Netzwerk im Top-Down-Modul übergeben

und eine Gesamtvorhersage für das Bild wird erhalten