Creation of an application for real time emotions recognition on a low resource machinies
Вантажиться...
Файли
Дата
Автори
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
У цій статі описаний процес створення додатку класифікації емоцій у реальному часі. Представлено новий набір даних, що включає у себе біологічні емоції й навіяну інтернет модою. Описаний процес вибору алгоритму, підбору гіпер-параметрів й оптимізації після тренування. Висвітлено процес інтеграції бізнес логіки. Код тренування разом з додатком, набором даних й моделлю знаходяться у відкритому доступі
The creation of an application concerning real time emotions recognition is issued in this paper. A new high-quality dataset that mixes both biologically inspired and internet-based emotions is presented. The process of algorithms definition, hyper-parameter tuning and post-training optimization is described. The additional business logic integration is highlighted. Training code along with application, dataset and model is open sourced.
The creation of an application concerning real time emotions recognition is issued in this paper. A new high-quality dataset that mixes both biologically inspired and internet-based emotions is presented. The process of algorithms definition, hyper-parameter tuning and post-training optimization is described. The additional business logic integration is highlighted. Training code along with application, dataset and model is open sourced.
Опис
Ключові слова
Машинне навчання , штучний інтелект , емоції , класифікація зображень , пошук об’єктів , комп’ютерний зір , mobilenet , ssd , tensorflow , ML , AI , emotions , image classification , object detection , CV
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Коваленко В. А. Creation of an application for real time emotions recognition on a low resource machinies [Electronic resource] / В. А. Коваленко, І. В. Богач // Матеріали LI науково-технічної конференції підрозділів ВНТУ, Вінниця, 31 травня 2022 р. – Електрон. текст. дані. – 2022. – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2022/paper/view/15183.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (11)
- Ali Mollahosseini, Behzad Hasani, and Mohammad H. Mahoor, “AffectNet: A New Database for Facial Expression, Valence, and Arousal Computation in the Wild”, IEEE Transactions on Affective Computing, 2017.
- I. J. Goodfellow, D. Erhan, P. L. Carrier, A. Courville, M. Mirza, B. Hamner, W. Cukierski, Y. Tang, D. Thaler, D.-H. Lee, Y. Zhou, C. Ramaiah, F. Feng, R. Li, X. Wang, D. Athanasakis, J. Shawe-Taylor, M. Milakov, J. Park, R. Ionescu, M. Popescu, C. Grozea, J. Bergstra, J. Xie, L. Romaszko, B. Xu, Z. Chuang, and Y. Bengio. Challenges in representation learning: A report on three machine learning contests. Neural Networks, 64:59--63, 2015. Special Issue on "Deep Learning of Representations"
- Henrique Siqueira, Sven Magg and Stefan Wermter. Efficient Facial Feature Learning with Wide Ensemble-based Convolutional Neural Networks. [Electronic resource] – Electronic data. – Mode of access: https://arxiv.org/pdf/1612.02903.pdf – Title from the screen.
- Charlie Hewitt, Hatice Gunes. CNN-based Facial Affect Analysis on Mobile Devices. [Electronic resource] – Electronic data. – Mode of access: https://arxiv.org/pdf/1807.08775.pdf – Title from the screen.
- R. Rothe, R. Timofte and L. Van Gool, "DEX: Deep EXpectation of Apparent Age from a Single Image," 2015 IEEE International Conference on Computer Vision Workshop (ICCVW), 2015, pp. 252- 257,doi:10.1109/ICCVW.2015.41.
- Kovenko, Volodymyr; Shevchuk, Vitalii (2022), “OAHEGA : EMOTION RECOGNITION DATASET”, Mendeley Data,V3,doi: 10.17632/5ck5zz6f2c.3
- Wei Liu et. al. SSD: Single Shot MultiBox Detector. [Electronic resource] – Electronic data. –Mode of access: https://arxiv.org/pdf/1512.02325.pdf – Title from the screen.
- Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M. & Adam, H. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications (cite arxiv:1704.04861)
- Kingma, D. P. & Ba, J. (2014). Adam: A Method for Stochastic Optimization (cite arxiv:1412.6980Comment: Published as a conference paper at the 3rd International Conference for Learning Representations, San Diego, 2015)
- Oahega - Emotion detector. [Electronic resource] – Electronic data. – Mode of access: https://play.google.com/store/apps/details?id=org.oahega.com – Title from the screen.