Αναγνώριση Εκφράσεων Προσώπου Με Μεθόδους Μηχανικής Μάθησης (Master thesis)
Κοτρότσιος, Ευάγγελος
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Κοτρότσιος, Ευάγγελος | el |
| dc.date.accessioned | 2023-04-25T12:09:18Z | - |
| dc.date.available | 2023-04-25T12:09:18Z | - |
| dc.identifier.uri | http://195.251.240.227/jspui/handle/123456789/15652 | - |
| dc.description | Mεταπτυχιακή εργασία - Σχολή Μηχανικών - Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων, 2020 (α/α 11995) | el |
| dc.rights | Default License | - |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Αναγνώριση εκφράσεων προσώπου | el |
| dc.subject | Βαθιά νευρωνικά δίκτυα | el |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
| dc.subject | Γραμμική Ταξινόμηση | el |
| dc.subject | Μοντέλο Residual Network | el |
| dc.title | Αναγνώριση Εκφράσεων Προσώπου Με Μεθόδους Μηχανικής Μάθησης | el |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.generalDescription | Μεταπτυχιακή εργασία | el |
| heal.identifier.secondary | 11995 | - |
| heal.language | el | - |
| heal.access | account | - |
| heal.recordProvider | Σχολή Μηχανικών - Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων | el |
| heal.publicationDate | 2020-07-31 | - |
| heal.abstract | Στην παρούσα μεταπτυχιακή διπλωματική εργασία θα γίνει μια αναδρομή στην εξέλιξη της μηχανικής μάθησης και των νευρωνικών δικτύων. Στην συνέχεια θα παρουσιαστούν τα βασικά χαρακτηριστικά των συνελικτικών νευρωνικών δικτύων (convolutional neural networks ή cnn), τα οποία ανήκουν στο ευρύτερο φάσμα των νευρωνικών δικτύων βαθιάς μάθησης (deep learning), θα αναλυθεί ο τρόπος με τον οποίο υλοποιούνται, τα τμήματα που τα απαρτίζουν και κάποιες αρχιτεκτονικές αυτών. Τα συνελικτικά νευρωνικά δίκτυα εφαρμόζονται πολύ συχνά σε προβλήματα ανάλυσης εικόνας και βίντεο, αυτό σημαίνει ότι η χρήση τους είναι απαραίτητη για την ανάπτυξη μιας εφαρμογής αυτόματης αναγνώρισης συναισθήματος μέσα από εικόνες προσώπων ή βίντεο. Η ανάπτυξη μια τέτοιας εφαρμογής κρύβει αρκετές προκλήσεις και προβλήματα τα οποία θα παρουσιαστούν στη συνέχεια της εργασίας. Στόχος της εργασίας είναι η ανάπτυξη και η αξιολόγηση μοντέλων βαθιάς μάθησης τα οποία θα χρησιμοποιηθούν σε προβλήματα αυτόματης αναγνώρισης εκφράσεων. Τέτοιου είδους προβλήματα απαρτίζουν τον σχετικά νέο ερευνητικό τομέα της ανάλυση εικόνας, ο οποίος επικεντρώνεται σε μοντέλα μηχανικής μάθησης τα οποία μαθαίνουν να ερμηνεύουν τις εκφράσεις του προσώπου. Η εκπαίδευση αυτών των μοντέλων θα γίνει πάνω στην συλλογή δεδομένων ‘facial emotion recognition 2013’ η οποία αποτελείται από ασπρόμαυρες εικόνες προσώπων. Τέλος θα αναπτυχθεί μια εφαρμογή η οποία θα χρησιμοποιεί τα μοντέλα που δημιουργήθηκαν για να κάνει αναγνώριση εκφράσεων σε πραγματικό χρόνο χρησιμοποιώντας την κάμερα ενός οποιουδήποτε συμβατικού υπολογιστή. | el |
| heal.abstract | In this master thesis, a review will be made of the evolution of machine learning and neural networks. Convolutional neural networks (cnn), belong to the broader spectrum of deep learning neural networks. Their main features will be presented and the way they are implemented will be analyzed, as well as their sections and architectures. Synchronous neural networks are very often applied to image and video analysis problems, which means that their use is necessary for the development of an application for automatic emotion recognition through images or videos of persons. Such applications have critical success factors and challenges, which will also be presented. The aim of this work is to develop and evaluate deep learning models that will be used in problems of automatic expression recognition. This relatively new research field of image analysis, consists of such problems and focuses on models of machine learning that learn to interpret facial expressions. The training of these models will be done on the data collection ‘facial emotion recognition 2013’ which consists of greyscale images of faces. Finally, an application will be developed that will use the models created to recognize real-time expressions using the camera of any conventional computer. | en |
| heal.advisorName | Διαμαντάρας, Κωνσταντίνος | el |
| heal.committeeMemberName | Αντωνίου, Ευστάθιος | el |
| heal.committeeMemberName | Διαμαντάρας, Κωνσταντίνος | el |
| heal.committeeMemberName | Γουλιάνας, Κωνσταντίνος | el |
| heal.academicPublisher | Σχολή Μηχανικών - Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων | el |
| heal.academicPublisherID | ihu | - |
| heal.numberOfPages | 97 σελ. | - |
| heal.fullTextAvailability | false | - |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| Appears in Collections: | Μεταπτυχιακές Διατριβές | |
Files in This Item:
There are no files associated with this item.
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/15652
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
