Facial expression recognition using Deep Convolutional Neural Network techniques

Abstract

Η παρούσα διπλωματική εργασία αποτελεί μία μελέτη της ακρίβειας ταξινόμησης του μοντέλου μας στο σύνολο δεδομένων που εξετάζουμε. Για τους σκοπούς της συγκεκριμένης εργασίας χρησιμοποιήθηκε μοντέλο επιβλεπόμενης μάθησης (supervised learning) πρόσθιας τροφοδότησης (feed-forward) με χρήση του αλγόριθμου ανάστροφης μετάδοσης (backpropagation). Τα μοντέλα στα οποία εστιάζουμε είναι τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) τύπου VGG, εκπαιδευόμενα και αξιολογημένα στο σύνολο δεδομένων με το όνομα FER-2013. Ο αλγόριθμος μας ταξινομεί σε επτά κατηγορίες συναισθημάτων (Θυμό, Αηδία, Φόβο, Ευτυχία, Θλίψη, Έκπληξη και Ουδετερότητα). Το μοντέλο που χρησιμοποιείται για τη συγκεκριμένη εργασία αναπτύχθηκε σε Python και τρέχει στη CPU. Όλοι οι ταξινομητές μας εφαρμόστηκαν στην διεπαφή προγραμματισμού εφαρμογών Keras (Keras API) με τη χρήση της βιβλιοθήκης TensorFlow. Στόχος μας είναι να βελτιώσουμε την ακρίβεια ταξινόμησης στο σύνολο δεδομένων μας επιλέγοντας διαφορετικές αρχιτεκτονικές και βελτιστοποιώντας τις παραμέτρους του μοντέλου.