Duygu durum analizi algoritmalarının performansının yükseltilmesi ve tasarlanan algoritma ile eğitim verimliliğinin artırılması
Increasing the performance of mood analysis algorithms and increasing education efficiency with the designed algorithm
- Tez No: 816242
- Danışmanlar: PROF. DR. İBRAHİM DEVELİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Evrişimli Sinir Ağları, Duygu tespiti, FER2013 veri seti, Karmaşıklık analizi, Çevrimiçi eğitim verimliliği, Convolutional Neural Networks, Identifying facial expressions of emotions, FER2013 dataset, Complexity Analysis, Online education efficiency
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnsan; öfke, korku, mutluluk, üzüntü, hor görme, iğrenme ve şaşkınlık olmak üzere yedi temel duygu ile tanımlanmıştır. Bu çalışmada, yüzdeki duygu ifadelerini tespit etmek için literatürdeki diğer modellerden daha yüksek doğruluk oranına sahip bir evrişimli sinir ağı modeli (CNN) önerilmiş ve önerilen modelin literatürde bulunan diğer modellerle olan karmaşıklık analizi gerçekleştirilmiştir. Evrişimli sinir ağı modelini eğitmek için bu yedi duygu kategorisinde insan yüzleri içeren ve 35.887 imge'den oluşan FER2013 veri seti kullanılmıştır. Derin sinir ağları ile yapılan duygu tespiti çalışmalarında model doğruluğu, tahmin edilen duyguların doğruluğu ile doğrudan ilişkili olduğu için önemli bir rol oynamaktadır. Çalışmada 7 farklı duyguyu sınıflandıran 23 katmanlı bir CNN modeli oluşturulmuştur. Modelin eğitim doğruluğu %97,83 ve test doğruluğu %83,52 olarak elde edilmiştir. Eğitilen CNN modeli, literatürde aynı veri seti ile eğitilen diğer çalışmalara göre daha yüksek doğruluk performansına sahiptir. Diğer çalışmalarda kullanılan algoritmaların karmaşıklığı, önerilen çalışma ile karşılaştırılmıştır. CNN modelimizin doğruluk performansı literatürdeki diğer çalışmalardan daha yüksek olmasına rağmen, modelimizin karmaşıklığı diğer birçok çalışmadan daha yüksektir. İnternet üzerinden yapılan eğitim ve sunumlarda; dinleyicilerin duygu durumları, geliştirilen CNN modeli ile gerçek zamanlı olarak tespit edilmekte ve tasarlanan algoritma ile eğitim süresince katılımcıların duygu yoğunlukları zaman bazlı olarak rapor haline getirilmektedir. Sunulan rapor sayesinde dinleyicilerin zamana göre duygu durumları analiz edilerek eğitim verimliliği artırılmaktadır.
Özet (Çeviri)
Humans are defined by seven basic emotions: anger, fear, happiness, sadness, contempt, disgust and surprise. In this study, a convolutional neural network model (CNN) with higher accuracy than other models in the literature was proposed to detect facial emotional expressions, and the complexity analysis of the proposed model with other models in the literature was performed. To train the convolutional neural network model, the FER2013 dataset consisting of 32,298 images and human faces in these seven emotion categories was used. Model accuracy plays an important role in emotion detection studies with deep neural networks as it is directly related to the accuracy of predicted emotions. In the study, a 23-layer CNN model was created that classifies 7 different emotions. The training accuracy of the model was 97.83% and the test accuracy was 83.52%. The trained CNN model has higher accuracy performance than other studies trained with the same dataset in the literature. The complexity of the algorithms used in other studies is compared with the proposed study. Although the accuracy performance of our CNN model is higher than other studies in the literature, the complexity of our model is higher than many other studies. In courses and presentations made over the Internet; The emotional states of the listeners are detected in real time with the developed CNN model, and the emotional intensity of the participants is reported on a time basis during the course with the designed algorithm. With the presented report, the emotional states of the listeners are analyzed according to time, thereby increasing the educational efficiency.
Benzer Tezler
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Social media based crime prediction using machine learning
Makine öğrenme algoritmasını kullanarak sosyal medya tabanlı suç tahmini
SAKIRIN TAM
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. ÖMER ÖZGÜR TANRIÖVER
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Dengesiz veri kümeleri için yenilikçi bir hibrit yaklaşım: IQCM metodolojisi ve karşılaştırmalı performans analizi
An innovative hybrid approach for imbalanced datasets: IQCM methodology and comparative performance analysis
MUSTAFA YAVAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYSUN GÜRAN
- Neuro classifiers for condition and bearing health assessment of an electric motor
Elektrik makinasında durum ve rulman sağlığı değerlendirmesi için nöro sınıflandırıcılar
MINA GHORBAN ZADEH BADELI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU BAYRAM KARA