| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Optimizacija globokih mrež za prepoznavo čustvenih izrazov : magistrsko delo
Avtorji:ID Zupančič, Nejc (Avtor)
ID Mlakar, Uroš (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf MAG_Zupancic_Nejc_2025.pdf (3,15 MB)
MD5: 629F6D3EBE1B3AAF3C4BD66C18AD5889
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:V 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.
Ključne besede:prepoznavanje čustev, konvolucijske nevronske mreže, optimizacija parametrov učenja
Kraj izida:Maribor
Kraj izvedbe:Maribor
Založnik:[N. Zupančič]
Leto izida:2025
Št. strani:1 spletni vir (1 datoteka PDF (VII, 63 str.))
PID:20.500.12556/DKUM-94605 Novo okno
UDK:004.8.032.26:004.932(043.2)
COBISS.SI-ID:256081411 Novo okno
Datum objave v DKUM:17.10.2025
Število ogledov:166
Število prenosov:31
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:22.08.2025

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Optimization of deep networks for facial expression recognition
Opis:As part of this master's thesis, we addressed the complex problem of facial expression recognition using deep neural networks. Current solutions are extremely inefficient when applied to the real world. In the practical part, we used a differential evolution algorithm to optimize the parameters of three well-known deep neural network architectures—DenseNet121, ResNet50, and VGG16—with the aim of achieving higher accuracy. Using the AffectNet training set and transfer learning techniques, we adapted the models for the task of emotion recognition. With differential evolution, we successfully found hyperparameters (learning rate, momentum, weight decay) that give us slightly better results for each model. We increased the accuracy of DenseNet121 by 1.72% (from 52.24% to 53.96%), ResNet by 1.88% (from 51.86% to 53.74%), and VGG16 by 1.59% (from 52.01% to 53.6%). . We also observed how the size of the set affects performance. We found that subsets ranging from 30% to 40% of the total give results that are on average about 2% worse than the results where we used the entire training set.
Ključne besede:emotion recognition, convolutional neural networks, learning parameter optimization


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici