عنوان: یادگیری عمیق برای تشخیص احساسات در کارتون
تشخیص احساسات زمینه ای است که رایانه ها در شناسایی آن بسیار خوب هستند. چه از طریق تصاویر، ویدئو یا صدا باشد. تشخیص احساسات هنگامی که با طبقهبندیکنندهها و شبکههای عصبی عمیق ترکیب میشود، پیشرفتهای امیدوارکنندهای را نشان داده است که نرخ اعتبارسنجی تا 59 درصد و نرخ تشخیص 56 درصد را نشان میدهند.
تمرکز این پایان نامه بر روی تشخیص احساسات مبتنی بر چهره خواهد بود. این شامل تشخیص حالات چهره در تصاویر و ویدیوها است. در حالی که اکثر تحقیقات از چهره انسان در تلاش برای تشخیص احساسات اولیه استفاده میکنند، تحقیقات کمی در مورد اینکه آیا میتوان تکنیکهای یادگیری عمیق یکسانی را برای چهرهها در کارتونها اعمال کرد یا خیر، انجام شده است.
هدف سیستم پیادهسازی شده در این مقاله، طبقهبندی حداکثر سه احساس (شادی، خشم و غافلگیری) از 6 احساس اصلی پیشنهاد شده توسط روانشناسان اکمن و فریسن، با دقت 80 درصد برای 3 احساس است. نمایش نوید کاربردهای یادگیری عمیق و کارتون. این پروژه تلاشی است برای بررسی اینکه آیا می توان احساسات را در کارتون ها به همان روشی که چهره انسان می تواند تشخیص داد یا خیر.
مجموعه داده
مجموعه داده استفاده شده در این پایان نامه مجموعه ای از 4800 تصویر چهره تام و جری است.
الزامات
پایتون 2.7
OpenCV 3.2+
CPU/GPU TensorFlow 1.1+ (GPU توصیه می شود)
نوت بوک Jupyter (اختیاری)
لینوکس: sudo apt-get install python-dev python-tk
نصب
git clone https://github.com/hako/dissertation
cd dissertation
sudo pip install -r requirements.txt
استفاده
مجموعه داده فوق را دانلود کنید، پوشه باید مجموعه داده نامیده شود. در زیر می توانید با ابزارهای زیر شروع کنید.
آموزش / طبقه بندی / تجسم
اگر فقط می خواهید خروجی شبکه را آموزش/طبقه بندی یا تجسم کنید، از این ابزار استفاده کنید:
training: (and show summary or results)
usage: train.py -t [-v|-s]
classification:
usage: train.py -c image.jpg
visualisation:
usage: train.py -V
تقسیم بندی
در این مخزن دو فایل آبشار Haar وجود دارد که برای تشخیص چهره تام و جری آموزش دیده اند. توجه داشته باشید که اگر این ابزار را انتخاب کنید، باید ویدیوهای Tom & Jerry را خودتان تهیه کنید.
اگر می خواهید ویدیوهای Tom & Jerry را به تصاویر تقسیم کنید، از این ابزار استفاده کنید:
python segmentation.py
نوت بوک
اگر به تعامل و آزمایش علاقه دارید، هر دو فایل segmentation.py و train.py نوت بوک های Jupyter خود را در پوشه notebooks/ دارند. اگر از این استفاده می کنید، مطمئن شوید که مجموعه داده های ویدیو و تصویر در پوشه قرار دارند.
این پروژه شامل فایل پایان نامه انگلیسی، شبیه سازی و دیتاست می باشد.
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 و سروش می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
09392265610
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.