Facial expression recognition using Deep Convolutional Neural Network techniques

Ζάγκος, Αλέξανδρος

dc.contributor.advisor	Τσιχριντζής, Γεώργιος
dc.contributor.author	Ζάγκος, Αλέξανδρος
dc.date.accessioned	2020-01-09T06:43:54Z
dc.date.available	2020-01-09T06:43:54Z
dc.date.issued	2019-12
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/12567
dc.description.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.	el
dc.format.extent	83	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/	*
dc.title	Facial expression recognition using Deep Convolutional Neural Network techniques	el
dc.title.alternative	Ανίχνευση εκφράσεων προσώπου με χρήση Βαθιών Συνελικτικών Νευρωνικών Δικτύων	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	This dissertation constitutes a study of the classification accuracy of our model on the given dataset. Our supervised learning model uses a feed-forward neural network which we train with the backpropagation algorithm. The models we focus on are VGG-like Convolutional Neural Networks, trained and evaluated on the FER-2013 dataset. The algorithm classifies on seven emotion categories (Anger, Disgust, Fear, Happiness, Sadness, Surprise, and Neutral). We implemented this model with Python code on the CPU. All of our classifiers were implemented in Keras neural network API using TensorFlow backend. Our goal is to improve the classification accuracy on our dataset by choosing different architectures and by optimizing the model hyperparameters.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	Convolutional neural network	el
dc.subject.keyword	CNN	el
dc.subject.keyword	Facial expression recognition	el
dc.subject.keyword	FER	el
dc.subject.keyword	FER-2013	el
dc.subject.keyword	VGG	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	ICML 2013	el
dc.subject.keyword	Deep learning	el
dc.subject.keyword	Supervised learning	el
dc.date.defense	2019-12-20

Αρχεία σε αυτό το τεκμήριο

Name:: Zagkos_mpsp16040.pdf
Μέγεθος:: 3.171Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού 4.0 Διεθνές