???jsp.display-item.social.title??? |
![]() ![]() |
Please use this identifier to cite or link to this item:
https://tede.ufam.edu.br/handle/tede/10297
???metadata.dc.type???: | Dissertação |
Title: | Classificação de emoções humanas utilizando pontos de referência da face e redes neurais profundas |
Other Titles: | Classification of human emotions using facial landmarks and deep neural networks |
???metadata.dc.creator???: | Colares, Willian Guerreiro ![]() |
???metadata.dc.contributor.advisor1???: | Costa Filho, Cícero Ferreira Fernandes |
First advisor-co: | Costa, Marly Guimarães Ferreira |
???metadata.dc.contributor.referee1???: | Pinagé, Frederico da Silva |
???metadata.dc.contributor.referee2???: | Pereira, José Raimundo Gomes |
???metadata.dc.description.resumo???: | As expressões faciais humanas desempenham um papel fundamental na comunicação não-verbal e na transmissão de emoções. Conceitualmente, as expressões faciais podem ser deduzidas a partir da disposição dos músculos faciais. Sendo uma avaliação subjetiva, a construção de uma base de dados para o reconhecimento de expressões faciais torna-se um desafio devido ao elevado risco de enviesamento decorrente de dados desequilibrados ou imprecisos. Por outro lado, os avanços nas técnicas de processamento de imagem e de aprendizagem profunda têm aumentado a precisão e a eficácia dos algoritmos de reconhecimento de expressões faciais. Neste trabalho, com o objetivo de melhorar o reconhecimento automático de expressões faciais, apresentamos a fusão de duas arquiteturas de redes neurais. A primeira compreende uma rede neural convolucional unidimensional (1D), com entrada caracterizada por pontos de referência da face, e uma segunda, uma rede neural convolucional baseada no backbone DenseNet, com a própria imagem do rosto como entrada. O otimizador ADAM foi utilizado durante o treino desta rede. Foi utilizada a base de dados AffectNet. O melhor resultado obtido foi uma precisão de 60,40% no subconjunto de teste, para a modalidade de 7 classes. Este resultado é comparável aos melhores resultados obtidos no conjunto de dados AffectNet. |
Abstract: | Human facial expressions play a fundamental role in nonverbal communication and the conveyance of emotions. Conceptually, facial expressions can be deduced from the arrangement of facial muscles. As a subjective assessment, constructing a database for facial expression recognition becomes a challenge due to the high risk of bias arising from unbalanced or inaccurate data. On the other hand, advances in image processing techniques and deep learning have boosted the accuracy and effectiveness of algorithms for facial expression recognition. In this work, aiming to improve the automatic facial expression recognition, we present the fusion of two neural network architectures. The first one comprises a one-dimensional convolutional neural network (1D), with input characterized by facial landmarks, and a second one, a convolutional neural network based on the DenseNet backbone, with the face image itself as the input. The ADAM optimizer was used during the training of this network. The AffectNet database was employed. The best result obtained was an accuracy of 60.40% in the test subset, for the 7 classes modality. This result is comparable to the best results obtained on the AffectNet dataset. |
Keywords: | . . . |
???metadata.dc.subject.cnpq???: | ENGENHARIAS: ENGENHARIA ELETRICA |
???metadata.dc.subject.user???: | Expressões faciais Fusão Rede Neural Convolucional AffectNet |
Language: | por |
???metadata.dc.publisher.country???: | Brasil |
Publisher: | Universidade Federal do Amazonas |
???metadata.dc.publisher.initials???: | UFAM |
???metadata.dc.publisher.department???: | Faculdade de Tecnologia |
???metadata.dc.publisher.program???: | Programa de Pós-graduação em Engenharia Elétrica |
Citation: | COLARES, Willian Guerreiro. Classificação de emoções humanas utilizando pontos de referência da face e redes neurais profundas. 2024. 73 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2024. |
???metadata.dc.rights???: | Acesso Aberto |
???metadata.dc.rights.uri???: | https://creativecommons.org/licenses/by-nc-nd/4.0/ |
URI: | https://tede.ufam.edu.br/handle/tede/10297 |
Issue Date: | 11-Jun-2024 |
Appears in Collections: | Mestrado em Engenharia Elétrica |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
DISS_WillianColares_PPGEE | 8.18 MB | Adobe PDF | Download/Open Preview |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.