Yüz ifadelerinin derin öğrenme metodu ile sınıflandırılması

Abstract

Duygu, insan zihninde var olmanın psikolojik bir halidir. Birçok alanda yapılan çeşitli çalışmalar, duygu oluşum sürecine ilişkin farklı bakış açılarını desteklemektedir. Bazı filozoflara göre duygu, kişisel koşullardaki veya çevredeki değişikliklerin sonucudur. Bununla birlikte, bazı biyologlar, nörolojik ve hormonal sistemlerin, duyguların oluşumunda başlıca sorumlu olduğuna inanırlar. Tezimizde, konvolüsyonlu sinir ağlarına (ConvNets) dayalı bir yüz ifadesi tanıma yaklaşımı oluşturmak için motive olduk. Konvolüsyonlu sinir ağı modelleri, sinir, mutluluk, öfke, sürpriz, üzüntü veya tiksinti gibi kategorilerden birine ait bir yüz ifadesi etiketini tahmin etmek için kullanılır. Yüz ifadesinin etiketi sinir, mutluluk, öfke, şaşkınlık, üzüntü veya tiksinti gibi kategorilerden birine karşılık gelmelidir. Görüntü, sistemde bir girdi görevindedir. Sonuç olarak, bu modeller sıkı testlerden geçmektedir. Yakalama ve sınıflandırma modülü, bir bilgisayar sisteminin kullanıcı üzerinde meydana getirebileceği duygusal etkinin bilinmesini ve bu bilgilerle kullanıcı etkileşimini iyileştirmek için önlemler alınmasına olanak sağlar. Böylece, kullanılabilirlik testlerine uygulanan ifadeleri sınıflandırmak için CNN kullanmanın mümkün olduğu, hatta testi yapanlara gerçek zamanlı yanıtlar verebileceği sonucuna varmaktayız. Bu tezin ana katkısı, CNN algoritmasını lineer aktivasyon fonksiyonlarıyla modifiye ederek algılamanın doğruluğunu artırmak için CNN'nin yerleşik softmax katmanını diğer sınıflandırıcılarla değiştirmemizdir. Değiştirilen CNN algoritması hem Conv-2 katmanını kullanarak özellikleri ayıklar, hem de iş akışının hızını artırmak için özellik şablonlarını ve Haar benzeri özellikleri kullanır.

Emotion is a psychological state of being in the human mind. Various studies in various fields support various viewpoints on the process of emotion formation. Emotion, according to some philosophers, is the outcome of changes in personal conditions or the environment. Some biologists, however, believe that the neurological and hormonal systems are principally responsible for the genesis of emotion. We were motivated to create a facial expression recognition approach based on convolutional neural networks (ConvNets). Convolutional neural network models are used to predict a facial expression label belonging to one of the following categories: neural, happiness, anger, surprise, sadness, or disgust. The label for the facial expression must correspond to one of the following categories: neural, happiness, anger, surprise, sadness, or disgust. The image serves as an input to the system. Consequently, these models undergo rigorous testing. The capture and classification module makes it possible to know the emotional impact that a computer system can cause on the user, and with this information to take measures to improve user interaction. Thus, we conclude that it is possible to use CNN to classify expressions applied to usability tests and can even provide real-time responses to those who perform the test. The main contribution of this thesis is that we modify the CNN algorithm with linear activation functions and replace the built-in SoftMax layer of the CNN with other classifiers to increase the accuracy of the detection, the modified CNN algorithm not only extracts the features using the Conv-2 layer but also uses feature templates and Haar like features to increase the speed of the workflow.