Ανάλυση συναισθημάτων σε εικόνες με χρήση γεννητικών ανταγωνιστικών δικτύων

Βεργοπούλου, Έλενα; Vergopoulou, Elena

dc.contributor.author	Βεργοπούλου, Έλενα	el
dc.contributor.author	Vergopoulou, Elena	en
dc.date.accessioned	2022-05-17T10:12:38Z
dc.date.available	2022-05-17T10:12:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55152
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22850
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	Αναγνώριση συναισθημάτων	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Γεννητικά ανταγωνιστικά δίκτυα	el
dc.subject	Μετάφραση εικόνας-σε-εικόνα	el
dc.title	Ανάλυση συναισθημάτων σε εικόνες με χρήση γεννητικών ανταγωνιστικών δικτύων	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-11-15
heal.abstract	Η παρούσα διπλωματική πραγματεύεται το θέμα της ανάλυσης αλλά και σύνθεσης συναισθημάτων στο ανθρώπινο πρόσωπο με τη χρήση βαθιών νευρωνικών δικτύων. Ο βασικός σκοπός είναι η μετατροπή ενός συναισθήματος που αναπαριστάται σε μία εικόνα σε ένα άλλο νέο συναίσθημα, πετυχαίνοντας όμως παράλληλα ένα ρεαλιστικό αποτέλεσμα. Για την κατηγοριοποίηση των συναισθημάτων επιλέχθηκε η δομή των επτά βασικών εκφράσεων (Seven Basic Expressions). Η διαδικασία αυτή της μετατροπής ονομάζεται Μετάφραση Εικόνας-σε-Εικόνα (Image-to-Image Translation). Τα τελευταία χρόνια σημαντικό ρόλο σε αυτή τη διαδικασία διαδραματίζουν τα Ανταγωνιστικά Γεννητικά Δίκτυα (Generative Adversarial Networks). Τα συστήματα αυτά χρησιμοποιούνται όλο και περισσότερο σε σημαντικές εφαρμογές και διακρίνονται για την ικανότητά τους να παραγάγουν υψηλής ποιότητας εικόνες. Αποτελούνται από δύο μοντέλα, έναν γεννήτορα (generator), ο οποίος είναι υπεύθυνος για το κομμάτι της σύνθεσης των εικόνων και έναν διευκρινιστή (discriminator), ο οποίος κάνει την κατηγοριοποίηση. Για το πειραματικό κομμάτι χρησιμοποιήθηκε το μοντέλο StarGAN, το οποίο έχει τη δυνατότητα να εκτελεί μεταφράσεις εικόνας για πολλαπλούς τομείς χρησιμοποιώντας μόνο ένα μοντέλο, καθώς και το σύνολο δεδομένων AffectNet, μία μεγάλη βάση με πολλές ταυτότητες και εύρος, γεγονός που θα βοηθήσει το GAN στην εξαγωγή όσο το δυνατόν καλύτερων αποτελεσμάτων. Εξετάζουμε την απόδοση του διευκρινιστή τόσο για αληθινές εικόνες όσο και για εικόνες που έχουν δημιουργηθεί από τον γεννήτορα. Τα αποτελέσματα που λαμβάνουμε είναι πολύ ενθαρρυντικά καθώς οι εικόνες που συνθέτουμε φαίνεται να είναι αρκετά ρεαλιστικές ώστε να καταφέρουν να εξαπατήσουν τον διευκρινιστή στον μεγαλύτερο βαθμό. Επιπλέον και ως προς την παραγωγή των ζητούμενων συναισθημάτων έχουμε θετικά αποτελέσματα και ο διευκρινιστής αναγνωρίζει επιτυχώς το εκάστοτε συναίσθημα. Όσον αφορά τον γεννήτορα πραγματοποιήθηκε μία ανάλυση ως προς το πόσο ρεαλιστικές είναι οι εικόνες και τα συναισθήματα που παράγει αλλά και κατά πόσο αλλοιώνει την αρχική εικόνα. Τα αποτελέσματα αυτά παρουσιάζονται αναλυτικά και παραθέτονται προτάσεις για μελλοντικές επεκτάσεις.	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.	el
heal.fullTextAvailability	false