Đang chuẩn bị liên kết để tải về tài liệu:
Một mô hình học sâu cho phát hiện cảm xúc khuôn mặt

Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ

Trong bài viết này, một mô hình học sâu với kiến trúc mạng tích chập được giới thiệu với thiết kế gồm 8 khối chính, trong đó 7 khối mạng tích chập và khối cuối là đầu ra softmax. Kiến trúc này hướng đến việc nhận dạng các thành phần trên mặt và cảm xúc của khuôn mặt. | Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin FAIR Huế ngày 07-08 6 2019 DOI 10.15625 vap.2019.00036 MỘT MÔ HÌNH HỌC SÂU CHO PHÁT HIỆN CẢM XÚC KHUÔN MẶT Nguyễn Thị Duyên1 Trương Xuân Nam1 Nguyễn Thanh Tùng1 1 Khoa Công nghệ thông tin Trường ĐH Thủy lợi duyennt02@wru.vn namtx@tlu.edu.vn tungnt@tlu.edu.vn TÓM TẮT Phát hiện cảm xúc khuôn mặt sử dụng các phương pháp học máy là chủ đề quan trọng trong lĩnh vực thị giác máy tính. Trong những năm gần đây học sâu Deep learning đã thể hiện được ưu thế trong bài toán xử lý dữ liệu ảnh âm thanh cả trong nghiên cứu và công nghiệp. Trong bài báo này một mô hình học sâu với kiến trúc mạng tích chập được giới thiệu với thiết kế gồm 8 khối chính trong đó 7 khối mạng tích chập và khối cuối là đầu ra softmax. Kiến trúc này hướng đến việc nhận dạng các thành phần trên mặt và cảm xúc của khuôn mặt. Tập dữ liệu phổ biến về nhận dạng mặt người FER-2013 được dùng trong quá trình thực nghiệm kết quả cho thấy việc phát hiện cảm xúc khuôn mặt của mô hình đề xuất đạt độ chính xác tương đương với những mô hình tốt nhất đã được công bố. Từ khóa Học sâu nhận dạng cảm xúc cảm xúc khuôn mặt mạng tích chập. I. GIỚI THIỆU Bài toán phát hiện cảm xúc khuôn mặt đã có lịch sử nghiên cứu lâu dài. Từ năm 1964 Bledsoe 1 là người đầu tiên xây dựng chương trình nhận dạng khuôn mặt tự động kết hợp với hệ thống máy tính bằng cách phân loại khuôn mặt trên cơ sở mốc chuẩn được nhập vào bằng tay. Các thông số để phân loại là khoảng cách chuẩn tỉ lệ giữa các điểm như góc mắt miệng chóp mũi và chóp cằm. Sau này tại Bell Labs đã phát triển một kĩ thuật dựa trên vector với 21 thuộc tính khuôn mặt được phát hiện bằng cách sử dụng kỹ thuật phân loại tiêu chuẩn mẫu. Các thuộc tính được lựa chọn đánh giá chủ yếu là màu tóc chiều dài của đôi tai độ dày môi. Năm 1986 hệ thống WISARD dựa trên mạng nơron đã có thể nhận biết được tình trạng và biểu cảm khuôn mặt một cách hạn chế. Phát hiện cảm xúc khuôn mặt là bước phát triển

TÀI LIỆU LIÊN QUAN

Xác định nguyên lý và một số thông số chính của bộ phận cắt làm cơ sở cho thiết kế chế tạo mô hình máy làm nhỏ thân lá dứa sau thu hoạch

Luận án Tiến sĩ Kỹ thuật: Phát triển một số mô hình phát hiện bất thường mạng dựa trên học sâu và tổng hợp dữ liệu

Tớm tắt Luận án Tiến sĩ Kỹ thuật: Phát triển một số mô hình phát hiện bất thường mạng dựa trên học sâu và tổng hợp dữ liệu

Khoá luận tốt nghiệp Đại học: Nghiên cứu sinh trưởng và tình hình sâu bệnh hại một số loài thực vật thuộc họ Đậu (Fabaceae) trồng tại mô hình vườn thực vật Khoa Lâm nghiệp trường Đại học Nông Lâm Thái Nguyên

Xây dựng mô hình quản lý tổng hợp mọt (Xyleborus fornicatus, Xyleborus similis) và sâu đục thân cành (plocaederus ruficornis, sybulus sp.) trên cây xoài và sầu riêng tại Vĩnh Long

Khoá luận tốt nghiệp Đại học: Nghiên cứu sinh trưởng và tình hình sâu bệnh hại một số loài thuộc họ Long Não (Lauraceae); họ Trầm (Thymelaceae); họ Bứa (Clusiaceae) tại mô hình vườn thực vật Khoa Lâm nghiệp, Trường Đại học Nông Lâm Thái Nguyên

Luận án Tiến sĩ Khoa học máy tính: Nghiên cứu phát triển một số kỹ thuật gợi ý mua hàng theo phiên dựa trên mô hình học sâu

Tổng hợp một số phương pháp học sâu áp dụng vào bài toán lựa chọn câu trả lời trong hệ thống hỏi đáp cộng đồng

Một mô hình học sâu cho phát hiện cảm xúc khuôn mặt

Nghiên cứu một số yếu tố liên quan và so sánh mô hình bệnh tật, tử vong theo ICD 10 trước và sau ra viện tại khoa Cấp cứu, Bệnh viện Đa khoa khu vực Long Khánh năm 2018 – 2023