Group Emotion Recognition - De

Un'app di IA (Deep Learning) per riconoscere le emozioni facciali di gruppi di persone

Questo progetto mira a classificare l'emozione percepita di un gruppo come Positivo , Neutro o negativo .

Il bisogno di riconoscimento delle emozioni

Quindi, prima di tutto, perché abbiamo bisogno del riconoscimento delle emozioni?

Il riconoscimento delle emozioni è importante -

- Migliorare l'esperienza dell'utente, come cliente, studente o come utente di un servizio generico.

- Può aiutare a migliorare i servizi senza la necessità di chiedere un feedback formale e continuo all'utente.

- Inoltre, l'utilizzo del riconoscimento automatico delle emozioni in sicurezza pubblica, assistenza sanitaria o tecnologia assistiva può migliorare significativamente la qualità della vita delle persone, consentendo loro di vivere in un ambiente più sicuro o riducendo l'impatto di disabilità o altre condizioni di salute. < / p>

Applicazioni di Riconoscimento di emozioni

Emotion Recognition ha applicazioni in crowd analytics, social media, marketing, rilevamento e riassunto degli eventi, sicurezza pubblica, interazione uomo-computer, sorveglianza della sicurezza digitale, analisi delle strade, recupero di immagini, ecc.

L'ascesa del riconoscimento di emozioni di gruppo

Il problema del riconoscimento delle emozioni per un gruppo di persone è stato studiato in modo meno approfondito, ma sta guadagnando popolarità a causa della massiccia quantità di dati disponibili sui siti di social networking contenenti immagini di gruppi di persone che partecipano a eventi sociali.

Sfide per il riconoscimento delle emozioni di gruppo

Il riconoscimento delle emozioni di gruppo è un problema impegnativo a causa di ostacoli come variazioni di posizione della testa e del corpo, occlusioni, condizioni di illuminazione variabili, variazione degli attori, varie impostazioni interne ed esterne e qualità dell'immagine.

Approccio

La nostra soluzione è un approccio basato su una pipeline che integra due moduli (che funzionano in parallelo): moduli bottom-up e top-down, basati sull'idea che l'emozione di un gruppo di persone può essere dedotta usando sia dal basso verso l'alto e approcci top-down.

- Il modulo bottom-up rileva ed estrae le singole facce presenti nel

immagine e li passa come input per un ensemble di Deep pre-addestrato

Reti neurali involutive (CNN).

- Simultaneamente, il modulo top-down rileva le etichette associate a

scena e li passa come input per una rete bayesiana (BN) che prevede

le probabilità di ogni classe.

- Nella pipeline finale, la categoria di emozioni di gruppo prevista dal basso verso l'alto

il modulo viene passato come input alla Bayesian Network nel modulo top-down

e si ottiene una previsione generale per l'immagine.