Group Emotion Recognition - De

Une application d'IA (Deep Learning) pour reconnaître les émotions du visage de groupes de personnes

Ce projet a pour objectif de classer les émotions perçues d'un groupe comme Positif , Neutre ou Négatif .

Le besoin de reconnaissance des émotions

Alors, tout d’abord, pourquoi avons-nous besoin de la reconnaissance des émotions?

La reconnaissance des émotions est importante -

- Pour améliorer l'expérience de l'utilisateur, en tant que client, apprenant ou utilisateur de service générique.

- Peut aider à améliorer les services sans avoir à demander formellement et en permanence à l'utilisateur ses commentaires.

- De plus, l’utilisation de la reconnaissance automatique des émotions pour la sécurité publique, les soins de santé ou les technologies d’assistance peut considérablement améliorer la qualité de vie des personnes en leur permettant de vivre dans un environnement plus sûr ou en réduisant l’impact des handicaps ou autres problèmes de santé. < / p>

Applications de la reconnaissance des émotions

Emotion Recognition a des applications dans l’analyse de la foule, les médias sociaux, le marketing, la détection et la synthèse d’événements, la sécurité publique, les interactions homme-machine, la surveillance de la sécurité numérique, l’analyse de rue, la récupération d’images, etc.

La montée de la reconnaissance des émotions de groupe

Le problème de la reconnaissance des émotions d’un groupe de personnes a été moins étudié, mais il gagne en popularité en raison de la masse de données disponibles sur les sites de réseaux sociaux contenant des images de groupes de personnes participant à des événements sociaux.

Défis pour la reconnaissance des émotions de groupe

La reconnaissance des émotions de groupe est un problème épineux en raison d'obstructions telles que variations de la tête et du corps, occlusions, conditions d'éclairage variables, variance des acteurs, divers paramètres intérieurs et extérieurs et qualité de l'image.

Approche

Notre solution est une approche basée sur un pipeline qui intègre deux modules (qui fonctionnent en parallèle): des modules ascendants et descendants, basés sur l’idée que l’émotion d’un groupe de personnes peut être déduite à la fois. et approches descendantes.

- Le module de bas en haut détecte et extrait les visages individuels présents dans le

image et les transmet en entrée à un ensemble de Deep pré-formés

Réseaux de neurones convolutifs (CNN).

- Simultanément, le module de haut en bas détecte les étiquettes associées à la

scène et les transmet comme entrée à un réseau bayésien (BN) qui prédit

les probabilités de chaque classe.

- Dans le pipeline final, la catégorie d'émotion de groupe prédite par la méthode ascendante

le module est transmis en tant qu'entrée au réseau bayésien dans le module descendant

et une prédiction globale de l'image est obtenue.