Emotion recognition on static images using transfer learning and ensembling
Transfer ögrenme ve topluluk öğgrenmesi kullanarak durağan görüntüler üzerinde duygu tanıma
- Tez No: 510274
- Danışmanlar: PROF. DR. ZEHRA ÇATALTEPE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Veri madenciliği, Data mining
- Yıl: 2018
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Duygu tanıma bilgisayar ve insan etkiliiminin oldugu her alanda faydalı olabilmektedir. Evrişimsel Sinir Aglarının (CNN) bilgisayarla görü görevlerinde iyi olduğu bilinmektedir. Fakat CNN'lerin egitilmesi, özellikle eğitim verisinin ve hesaplama gücünün az oldugu durumlarda, oldukça zordur. Transfer ögrenme bu gibi durumlarda, ucuz ve etkili bir çözüm olarak göze çarpar. Transfer ögrenmede önceden eğitilmiş CNN sınıflandırıcıları kullanılır. Bu çalışma iki katkı sunar. Birinci katkı, farklı mimariler ve farklı veri kümeleri kullanılarak egitilmiş CNN modelleri incelenerek duygu tanıma problemine uygun olanı bulunmaya çalışılmıştır. İkinci katkı olarak, her duygu için ayrı bir uzman sınıflandırıcı egitilmitir. Ana model, uzman modellerle topluluk ögrenmesi yöntemiyle birleştirilip daha iyi bir sınıflandırıcı elde edilmiştir. Deney sonuçları, transfer ögrenme ve topluluk ögrenmesi kullanılarak güçlü bir sınıflandırıcının elde edilmesinin mümkün oldugunu ortaya koymuştur. Eğitilen en iyi sınıflandırıcı, FER13 dogrulama veri kümesi üzerinde %69.49 isabet oranı göstermiştir.
Özet (Çeviri)
Emotion recognition may be useful in any area where human and computer interacts. CNNs are known to be good at computer vision tasks. However, CNNs are difficult to train, especially when the amount of data and computation power is limited. Transfer learning emerges as a cheap and efficient way of making use of pre-trained CNN classifiers. Our work has two contributions. Firstly, different CNN architectures and models trained using different datasets are investigated to find a suitable model to use in emotion recognition. Secondly, expert models for each emotion are trained. The Base model is ensembled with expert models to create a better classifier. Experiments show that our use of ensembling together with transfer learning helps to create a good classifier. Best classifier shows 69.49% accuracy on FER13 validation set.
Benzer Tezler
- Bitlis-Zağros bindirme ve kıvrımlı kuşağının sismotektonik özellikleri
Başlık çevirisi yok
HALUK EYİDOĞAN
- Merkezsel ve dışmerkezsel çapraz elemanlı çerçeve yapıların statik ve deprem yüküne göre optimum tasarımı
Optimum desing of concentrically and eccentrically braced frames under static and earthquake loading
F.GÜLTEN GÜLAY
