Group Emotion Recognition - De

Ứng dụng AI (Deep Learning) để nhận diện cảm xúc khuôn mặt của các nhóm người

Dự án này nhằm phân loại cảm xúc nhận thức của một nhóm là Tích cực , Trung lập hoặc Phủ định .

Nhu cầu nhận biết cảm xúc

Vì vậy, trước hết, tại sao chúng ta cần nhận diện cảm xúc?

Nhận dạng cảm xúc rất quan trọng -

- Để cải thiện trải nghiệm người dùng, với tư cách là khách hàng, người học hoặc là người dùng dịch vụ chung.

- Có thể giúp cải thiện các dịch vụ mà không cần phải chính thức và liên tục yêu cầu người dùng phản hồi.

- Ngoài ra, sử dụng nhận dạng cảm xúc tự động trong an toàn công cộng, chăm sóc sức khỏe hoặc công nghệ hỗ trợ, có thể cải thiện đáng kể chất lượng cuộc sống của mọi người, cho phép họ sống trong một môi trường an toàn hơn hoặc giảm tác động của khuyết tật hoặc các tình trạng sức khỏe khác. < / p>

Ứng dụng nhận biết cảm xúc

Nhận dạng cảm xúc có các ứng dụng trong phân tích đám đông, phương tiện truyền thông xã hội, tiếp thị, phát hiện và tóm tắt sự kiện, an toàn công cộng, tương tác giữa người với máy tính, giám sát an ninh kỹ thuật số, phân tích đường phố, truy xuất hình ảnh, v.v.

Sự gia tăng của công nhận cảm xúc nhóm

Vấn đề nhận diện cảm xúc đối với một nhóm người ít được nghiên cứu rộng rãi, nhưng nó đang trở nên phổ biến do lượng dữ liệu khổng lồ có sẵn trên các trang mạng xã hội có chứa hình ảnh của các nhóm người tham gia các sự kiện xã hội.

Những thách thức đối với việc nhận biết cảm xúc nhóm

Nhận dạng cảm xúc nhóm là một vấn đề đầy thách thức do các vật cản như biến thể tư thế đầu và thân, khớp, điều kiện ánh sáng thay đổi, phương sai của diễn viên, cài đặt trong nhà và ngoài trời khác nhau và chất lượng hình ảnh.

Cách tiếp cận

Giải pháp của chúng tôi là cách tiếp cận dựa trên đường ống tích hợp hai mô-đun (hoạt động song song): mô-đun từ dưới lên và từ trên xuống, dựa trên ý tưởng rằng cảm xúc của một nhóm người có thể được suy luận bằng cách sử dụng cả hai từ dưới lên và cách tiếp cận từ trên xuống.

- Mô-đun từ dưới lên phát hiện và trích xuất các khuôn mặt riêng lẻ có trong

hình ảnh và chuyển chúng làm đầu vào cho một nhóm sâu được đào tạo trước

Mạng thần kinh chuyển đổi (CNNs).

- Đồng thời, mô-đun từ trên xuống phát hiện các nhãn được liên kết với

cảnh và chuyển chúng làm đầu vào cho Mạng Bayes (BN) dự đoán

xác suất của mỗi lớp.

- Trong đường ống cuối cùng, danh mục cảm xúc nhóm được dự đoán từ dưới lên

mô-đun được chuyển làm đầu vào cho Mạng Bayes trong mô-đun từ trên xuống

và dự đoán tổng thể cho hình ảnh thu được.