Χρήση τεχνικών βαθιάς μάθησης για την
αναγνώριση συναισθημάτων μέσα από εκφράσεις του προσώπου

Θεοδωρόπουλος, Χρήστος; Theodoropoulos, Christos

dc.contributor.author	Θεοδωρόπουλος, Χρήστος	el
dc.contributor.author	Theodoropoulos, Christos	en
dc.date.accessioned	2019-03-07T10:07:24Z
dc.date.available	2019-03-07T10:07:24Z
dc.date.issued	2019-03-07
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48385
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16054
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Emotional recognition	en
dc.subject	Αναγνώριση συναισθημάτων	el
dc.subject	Εκφράσεις προσώπου	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Deep learning	en
dc.subject	Convolutional neural networks	en
dc.subject	ResNet-50	en
dc.subject	Inception-ResNet-V2	en
dc.title	Χρήση τεχνικών βαθιάς μάθησης για την αναγνώριση συναισθημάτων μέσα από εκφράσεις του προσώπου	el
dc.title	Deep learning techniques for recognition of emotions through facial expressions	en
heal.type	bachelorThesis
heal.classification	Προχωρημένη μηχανική μάθηση	el
heal.classification	Deep Learning	en
heal.classification	Neural networks (Computer science)	en
heal.classification	Artificial intelligence	en
heal.classification	Artificial intelligence--Data processing	en
heal.classification	Βαθιά μάθηση	el
heal.classification	Νευρωνικά δίκτυα	el
heal.classification	Emotion recognition	en
heal.classificationURI	http://data.seab.gr/concepts/d5cf140063d31fceb414be6c8dcb4654ffd3efcf
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh90001937
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85008180
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85008182
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-03
heal.abstract	In recent years, a rapid growth has been observed in the field of artificial intelligence and more specifically in computer vision techniques. Deep learning has been used to efficiently solve many problems associated with pattern recognition in images. The purpose of this work is to recognize the emotional state of human being through facial expressions. This problem is particularly important in the broad field of human and computer interaction. The human-computer communication scientific field deals with the understanding of how people use computers as well as with the design of new systems that enhance human performance and experience. A person's emotional state significantly affects his behavior and decisions. The development of emotional intelligence in machines is a branch of artificial intelligence full of challenges. The models which were created in this diploma were based on highly efficient deep convolutional neural networks (CNN) (ResNet-50 and Inception-ResNet-V2) and were trained so as to maximize the possibility of extracting proper prediction of emotion. The recognition of the emotional state of the person through facial expressions is approached as a regression and classification problem. Experiments performed using the Semaine database demonstrate that the best models have high performance.	en
heal.abstract	Τα τελευταία χρόνια έχει παρατηρηθεί μία ραγδαία ανάπτυξη στον τομέα της τεχνητής νοημοσύνης και πιο συγκεκριμένα στις τεχνικές της όρασης των υπολογιστών (computer vision). Η βαθιά μάθηση (deep learning) έχει χρησιμοποιηθεί για να λυθούν αποδοτικά πληθώρα προβλημάτων που σχετίζονται με αναγνώριση προτύπων (pattern) σε εικόνες. Σκοπός της παρούσας εργασίας είναι η αναγνώριση της συναισθηματικής κατάστασης του ανθρώπου μέσα από εκφράσεις του προσώπου. Το πρόβλημα αυτό είναι ιδιαίτερα σημαντικό στον ευρύ τομέα της αλληλεπίδρασης του ανθρώπου και του υπολογιστή. Ο επιστημονικός κλάδος της επικοινωνίας ανθρώπου-υπολογιστή ασχολείται τόσο με την κατανόηση του πως οι άνθρωποι χρησιμοποιούν τους υπολογιστές, όσο και με τον σχεδιασμό νέων συστημάτων που ενισχύουν την απόδοση και την εμπειρία του ανθρώπου. Η συναισθηματική κατάσταση ενός ανθρώπου, επηρεάζει σημαντικά τη συμπεριφορά και τις αποφάσεις του. Η ανάπτυξη συναισθηματικής νοημοσύνης (emotional intelligence) σε μηχανές είναι ένας κλάδος της τεχνητής νοημοσύνης γεμάτος προκλήσεις. Τα μοντέλα που δημιουργήθηκαν σε αυτή τη διπλωματική βασίστηκαν σε πολύ αποδοτικά βαθιά συνελικτικά νευρωνικά δίκτυα (CNN) (ResNet-50 και Inception-ResNet-V2) και εκπαιδεύτηκαν έτσι ώστε να μεγιστοποιείται η πιθανότητα εξαγωγής σωστής πρόβλεψης του συναισθήματος. Η αναγνώριση της συναισθηματικής κατάστασης του ανθρώπου μέσα από εκφράσεις του προσώπου προσεγγίζεται ως πρόβλημα παλινδρόμησης (regression) και κατηγοριοποίησης (classification). Πειράματα που εκτελέστηκαν με χρήση της βάσης δεδομένων Semaine, αποδεικνύουν ότι τα βέλτιστα μοντέλα έχουν υψηλή απόδοση.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	107 σ.
heal.fullTextAvailability	true