Αναγνώριση συναισθημάτων με μηχανική μάθηση

Παπάζογλου, Αλέξανδρος

dc.contributor.advisor	Nikolaou, Grigoris
dc.contributor.author	Παπάζογλου, Αλέξανδρος
dc.date.accessioned	2022-03-28T09:07:28Z
dc.date.available	2022-03-28T09:07:28Z
dc.date.issued	2022-03-15
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/2002
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-1853
dc.description.abstract	Η δυνατότητα των ρομπότ να αναγνωρίζουν συναισθήματα θα παίξει καθοριστικό ρόλο στην ανάπτυξη και δημιουργία ρομπότ που θα ειδικεύονται στην παροχή ειδικών υπηρεσιών στα επερχόμενα χρόνια. Παρ’ όλα αυτά, δεν έχουμε κατορθώσει την αναγνώριση μερικών συναισθημάτων σε ικανοποιητικό επίπεδο ακόμα. Για αυτόν τον λόγο δεν έχουν παρουσιαστεί ακόμα στην αγορά! Αλλά πρέπει να αναλογιστούμε το εξής, αν η αναγνώριση συναισθημάτων αποτελεί μια απαιτητική δοκιμασία για τους ανθρώπους, θα είναι ακόμα πιο δύσκολη για τα ρομπότ, δεδομένου ότι δεν μπορούν να νιώσουν συναισθήματα ή συμπόνια. Για την αναγνώριση συναισθημάτων χρησιμοποιούνται η βαθιά και η μηχανική μάθηση. Μπορούν όμως αυτές οι δύο να αναγνωρίσουν με καλή απόδοση τις διάφορες εκφράσεις του προσώπου/ συναισθήματα μας; Στην παρούσα διπλωματική εργασία, μελετήθηκαν τα σύγχρονα κορυφαία μοντέλα που αναγνωρίζουν τα 6 βασικά συναισθήματα (χαρά, λύπη, φόβος, θυμός, έκπληξη ,αηδία αλλά και ουδετερότητα),και έγινε σύγκριση τους ως προς την αρχιτεκτονική τους, την αποδοτικότητα τους καθώς και την χρησιμότητα τους στην καθημερινότητα. Στην συνέχεια, έγινε χρήση μερικών εκ των προ εκπαιδευμένων μοντέλων τόσο στο σετ δεδομένων FER2013 όσο και σε φωτογραφίες δικές μου για να δούμε και να τεστάρουμε πόσο καλά λειτουργεί η συγκεκριμένη τεχνολογία. Επίσης επιχειρήθηκε η δημιουργία δικού μου μοντέλου με την χρήση νευρωνικών δικτύων και “μεταφοράς μάθησης" με τον στόχο ξανά της αναγνώρισης συναισθημάτων τόσο από φωτογραφίες όσο και σε πραγματικό χρόνο! Τα αποτελέσματα ήταν σχετικά μέτρια καθώς δεν είχα τον απαραίτητο/ιδανικό εξοπλισμό για την δημιουργία και εν συνεχεία εκπαίδευση μοντέλου!	el
dc.format.extent	75	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Αναφορά Δημιουργού 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/	*
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Αναγνώριση συναισθήματος	el
dc.subject	DeepFace	el
dc.subject	VGG	el
dc.subject	VGGFace	el
dc.subject	FaceNet	el
dc.subject	OpenFace	el
dc.subject	Μεταφορά μάθησης	el
dc.subject	Artificial intelligence	el
dc.subject	Machine learning	el
dc.subject	Deep learning	el
dc.subject	CNN	el
dc.title	Αναγνώριση συναισθημάτων με μηχανική μάθηση	el
dc.title.alternative	Emotion recognition with machine learning	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Βασιλειάδου, Σουλτάνα
dc.contributor.committee	Drosos, Christos
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής	el
dc.description.abstracttranslated	The ability of robots to recognize emotions will be vital for the creation and development of robots that specialize in providing special services in the coming years. However, we have not achieved the recognition of certain emotions in a sufficiently effective way yet. Therefore, they haven’t been introduced in the market. But we need to consider this, if emotion recognition is a very challenging task even for people, it is even more for robots, since they do not feel any emotion and can’t empathize. For the sake of emotion recognition, Deep learning and Machine learning are being used. However, can Deep learning and Machine learning recognize our emotions/facial expressions efficiently? In the present thesis, the current state-state-of-the-art pre-trained models that recognize the 6 basic emotions (joy, sadness, fear, anger, surprise, disgust, and neutrality) were studied and compared with regard to their architecture, efficiency and handiness in everyday life. Moreover, some of the pre-trained models were used both in the FER2013 dataset as well as in personal photographs, to see and test how well this technology works. Also, i tried to create my own model using convolutional neural networks (CNN) and “transfer learning” with the common goal of recognizing emotions from photos and in real time(video)! The results were relatively modest as I did not have the necessary/ideal equipment for creating and training my model!	el

Files in this item

Name:: idpe_71447497.pdf
Size:: 7.194Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές