dc.contributor.author | Antoniadis, Panagiotis | |
dc.contributor.author | Αντωνιάδης, Παναγιώτης | |
dc.date.accessioned | 2022-04-14T10:14:24Z | |
dc.date.available | 2022-04-14T10:14:24Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/55101 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.22799 | |
dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
dc.subject | Emotion Analysis | en |
dc.subject | Facial Expression Recognition | en |
dc.subject | Deep Neural Networks | en |
dc.subject | Multi-task learning | en |
dc.subject | Metric learning | en |
dc.subject | Ανάλυση Συναισθήματος | el |
dc.subject | Αναγνώριση Εκφράσεων του Προσώπου | el |
dc.subject | Βαθιά Νευρωνικά Δίκτυα | el |
dc.subject | Μάθηση Πολλαπλών Εργασιών | el |
dc.subject | Μετρική Μάθηση | el |
dc.title | Deep Facial Expression Recognition Exploiting Categorical and Continuous Emotional Dependencies | en |
dc.contributor.department | COMPUTER VISION, SPEECH COMMUNICATION AND SIGNAL PROCESSING GROUP | el |
heal.type | bachelorThesis | |
heal.classification | Computer Vision | en |
heal.classification | Όραση Υπολογιστών | el |
heal.language | el | |
heal.language | en | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2021-11-05 | |
heal.abstract | Η Αναγνώριση των Εκφράσεων του Προσώπου αποτελεί θέμα μελέτης στον τομέα της όρασης υπολογιστών και της μηχανικής μάθησης εδώ και δεκαετίες. Παρά την συνεχή προσπάθεια για τη βελτίωση της απόδοσης συστημάτων αναγνώρισης, οι υπάρχουσες μέθοδοι εξακολουθούν να μην γενικεύουν σε διαφορετικές συνθήκες και να μην είναι ακριβείς για χρήση σε πραγματικές εφαρμογές. Oι περισσότερες παραδοσιακές μέθοδοι χρησιμοποιούν χειροποίητα χαρακτηριστικά για την αναπαράσταση της εικόνας του προσώπου το οποίο συχνά απαιτεί διαρκή ρύθμιση των υπερπαραμέτρων για να επιτευχθούν ευνοϊκά αποτελέσματα. Τα τελευταία χρόνια, οι μέθοδοι βαθιάς μάθησης έχουν δείξει αξιοσημείωτα αποτελέσματα στην αναγνώριση των εκφράσεων του προσώπου πετυχαίνοντας επιδόσεις συγκρίσιμες με αυτές του ανθρώπου σε εργαστηριακά ελεγχόμενα περιβάλλοντα. Ωστόσο, η αναγνώριση των εκφράσεων του προσώπου σε πραγματικό περιβάλλον εξακολουθεί να είναι πολύ δύσκολη λόγω των μεγάλων διακυμάνσεων, των αποφράξεων και της ασάφειας των ανθρώπινων συναισθημάτων. Την ίδια στιγμή, δεν έχουμε σαφή στοιχεία για το ποια αναπαράσταση συναισθημάτων είναι πιο κατάλληλη για την αναγνώριση. Πολλά μοντέλα που περιγράφουν τις ανθρώπινες συναισθηματικές καταστάσεις έχουν προταθεί από την ψυχολογική κοινότητα και η πλειοψηφία των συστημάτων χρησιμοποιούν είτε το κατηγορικό είτε το διαστασιακό μοντέλο του συναισθήματος. Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να διερευνήσει τις προκλήσεις που υπάρχουν στον τομέα και να παρουσιάσει νέες τεχνικές βαθιάς μάθησης για την αναγνώριση των εκφράσεων του προσώπου σε πραγματικές συνθήκες. | el |
heal.abstract | Facial Expression Recognition (FER) has been a topic of study in the field of computer vision and machine learning for decades. Despite huge efforts to improve the accuracy of FER systems, existing methods still are not generalizable and accurate enough for use in real-world applications. Most traditional methods use hand-crafted features for representation of facial images that often require rigorous hyper-parameter tuning to achieve favorable results. Over the past few years, deep learning methods have shown remarkable results in FER managing to achieve almost human performance in lab-controlled environments. However, recognizing facial expressions in real-world settings is still very challenging due to large variations, occlusions and the ambiguity of human emotion. Meanwhile, we have no clear evidence as to which emotion representation is more appropriate for FER. Numerous models describing the human emotional states have been proposed by the psychology community and the majority of FER systems use either the categorical or the dimensional model of affect. The goal of this diploma thesis is to explore the challenges that are present in the task and present novel deep learning techniques for recognizing facial expressions in-the-wild. | en |
heal.advisorName | Μαραγκός, Πέτρος | |
heal.advisorName | Maragos, Petros | |
heal.committeeMemberName | Μαραγκός, Πέτρος | |
heal.committeeMemberName | Ποταμιάνος, Γεράσιμος | |
heal.committeeMemberName | Maragos, Petros | |
heal.committeeMemberName | Tzafestas, Costas | |
heal.committeeMemberName | Potamianos, Gerasimos | |
heal.committeeMemberName | Τζαφέστας, Κωνσταντίνος | |
heal.academicPublisher | Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 105 | |
heal.fullTextAvailability | false |
The following license files are associated with this item: