تشخیص احساسات به موضوعی از تحقیقات و نوآوری های مستمر تبدیل شده است زیرا در دهه گذشته محدودیت های بینایی کامپیوتر با معرفی یادگیری ماشین برداشته شده است. از آنجا که الگوریتم های یادگیری ماشین از قدرت محاسباتی عظیم GPU استفاده می کنند، قابلیت پردازش تصویر این مدل ها با مشکلات دنیای واقعی مناسب است. بینایی رایانه ای از حوزه ای جدید به چندین حوزه دیگر مانند علوم رفتاری گسترش یافته است. این الگوریتم ها یا مدل ها در برنامه های مختلف دنیای واقعی در زمینه های مختلف مانند امنیت، ایمنی راننده، وسایل نقلیه خودران، تعامل انسان و کامپیوتر و مراقبت های بهداشتی استفاده می شوند. این مدل ها به دلیل معرفی واحدهای پردازش گرافیکی که تجهیزات سخت افزاری هستند و قادرند میلیون ها محاسبه را در عرض چند ثانیه یا چند دقیقه انجام دهند، به طور مداوم در حال پیشرفت هستند. ظهور فناوری هایی مانند واقعیت افزوده و واقعیت مجازی نیز بستگی زیادی به این پردازنده های گرافیکی دارد. بنابراین، با ترکیب هوش آماری الگوریتم های یادگیری ماشین و قدرت پردازش سخت افزار GPU، می توانیم مدلهای موفقیت آمیزی ایجاد کنیم که قادر به تشخیص احساسات از تصاویر ثابت و همچنین فیدهای ویدئویی است.
این پروژه تحت عنوان “تشخیص احساسات صورت با استفاده از یادگیری ماشین” موارد زیر را پیش بینی می کند:
- ضبط تصاویر ایستا برای پیش پردازش
- استخراج ویژگی با استفاده از شبکه های عصبی عمیق
- پیاده سازی یک شبکه عصبی متحرک برای طبقه بندی تصاویر بر اساس ویژگی های فوق
مجموعه داده
در این پروژه از مجموعه داده [1]Cohn-Kanade استفاده شده است. مجموعه داده ای که برای آموزش مدل استفاده کردیم، یک نسخه تقویت شده از مجموعه داده CK+ است.
این کار به منظور افزایش تعداد نمونه ها برای آموزش مدل ما انجام می شود. اندازه کل مجموعه داده ما 2536 نمونه است.
این مدل بر اساس کتابخانه Keras بر روی Tensorflow Backend تهیه شده است. اما اگر Tensorflow در دسترس نباشد، می توانید از Theano فقط با تغییر یک خط در کد استفاده کنید:
from keras import backend as K
K.set_image_dim_ordering(‘tf’) #(‘th’)
برای استفاده از پشتیبان Theano ، “tf” را به “th” تغییر دهید. بقیه کد به گونه ای طراحی شده است که هر دو نوع پشتیبان را اداره می کند.
الزامات
- پایتون 3.5 یا بالاتر
- ensorflow 1.6
- Keras 2.1.0
- OpenCV
- scikit-learn
- Numpy
- Matplotlib
- Itertools
آموزش مدل
کتابخانه های مورد نیاز را نصب کرده و این فایل را اجرا کنید. تکمیل آموزش مدتی طول می کشد، اما می توان با استفاده از گزینه های GPU سرعت آن را افزایش داد.
python fred_train.py
تست در حال اجرا
برای آزمایش مدل، مطمئن شوید که وب کم شما کار می کند یا یک وب کم خارجی را آنلاین متصل کنید.
python facialmore.py
برای آزمایش مدل بر روی تصاویر ایستا اجرا کنید:
python fredtest.py
می توانید از مجموعه داده fredtest_data ارائه شده با کد استفاده کنید.
نتایج
دقت آستانه: 86.98
اتلاف آزمایش: 1.868 اتلاف اعتبار: 0.973
دقت تست: 0.705 دقت اعتبار: 0.721
ماتریس گیجی
این مدل با توجه به اینکه ما از هیچ GPU در این پروژه استفاده نکردیم، بسیار خوب عمل می کند. اگرچه استفاده از GPU نتایج بسیار بهتری را به همراه خواهد داشت. رفتار نامنظم نمودارهای اتلاف و دقت به دلیل از دست دادن ویژگی های مربوط به عدم حضور GPU است. همچنین به خاطر داشته باشید که هنگام آزمایش مدل با تغذیه زنده، محیطی ایده آل با نور خوب و وب کم مناسب ایجاد کنید.
شما می توانید فایل شبیه سازی پایتون را از این پروژه دانلود کنید.
سفارش پروژه مشابه دارید؟ به این صفحه مراجعه کنید.
[1] http://www.consortium.ri.cmu.edu/ckagree/
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.