Optimizacija globokih mrež za prepoznavo čustvenih izrazovZupančič, Nejc (Avtor) Mlakar, Uroš (Mentor) prepoznavanje čustevkonvolucijske nevronske mrežeoptimizacija parametrov učenjaV sklopu magistrskega dela smo obravnavali kompleksen problem razpoznave čustvenih izrazov s pomočjo globokih nevronskih mrež. Trenutne rešitve so izredno neučinkovite, ko jih prenesemo v realni svet. V praktičnem delu smo s pomočjo evolucijskega algoritma diferencialne evolucije optimizirali parametre treh znanih arhitektur globokih nevronskih mrež – DenseNet121, ResNet50 in VGG16, z željo, da bi pridobili višjo natančnost. S pomočjo učne množice AffectNet in tehnike prenosnega učenja smo modele priredili za problem razpoznave čustvenih izrazov. Z diferencialno evolucijo smo uspešno našli hiperparametre (stopnja učenja, moment, upad uteži), ki nam dajejo malenkost boljše rezultate za posamezen model. Natančnost DenseNet121 smo zvišali za 1,72 % (z 52,24 % na 53,96 %), ResNet za 1,88 % (z 51,86 % na 53,74 %) in VGG16 za 1,59 % (z 52,01 % na 53,6 %). Prav tako smo opazovali, kako velikost množice vpliva na uspešnost. Ugotovili smo, da nam množice, velike od 30 % do 40 %, dajejo rezultate, ki so v povprečju okoli 2 % slabši od rezultatov, pri katerih smo uporabili celotno učno množico.[N. Zupančič]20252025-08-22 11:19:53Magistrsko delo/naloga94605UDK: 004.8.032.26:004.932(043.2)COBISS_ID: 256081411sl