Active Shape Model vs. Deep Learning for Facial Emotion Recognition in Security

Bebawy, Monica; Anwar, Suzan; Milanova, Mariofanna

doi:10.1007/978-3-319-59259-6_1

Cited by 5 publications

(2 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bu nedenle, bu asistanların yeteneklerini artırabilecek ve tüm endüstride devrim yaratabilecek verimli bir duygu tanıma sistemi geliştirmek önemlidir [2]. Ayrıca duygu tanıma sistemlerinin eğitim [3], sağlık [4] [5], güvenlik [6] gibi birçok alanda farklı amaçlarla kullanılabilmesi bu konuda yapılan çalışmaların sayısında önemli bir artışa neden olmuştur [7].…”

Section: Introductionunclassified

Konuşmalardaki duygunun evrişimsel LSTM modeli ile tespiti

Öztürk¹,

Pashaei²

2021

DÜMF Mühendislik Dergisi

View full text Add to dashboard Cite

Konuşmada duygu tanıma İngilizce adıyla Speech emotion recognition (SER), duyguların konuşma sinyalleri aracılığıyla tanınması işlemidir. İnsanlar, iletişiminin doğal bir parçası olarak bu işlemi verimli bir şekilde yerine getirebilse de programlanabilir cihazlar kullanarak duygu tanıma işlemi hali hazırda devam eden bir çalışma alanıdır. Makinelerin de duyguları algılaması, onların insan gibi görünmesini ve davranmasını sağlayacağından dolayı, konuşmada duygu tanıma, insan-bilgisayar etkileşiminin gelişmesinde önemli bir rol oynar. Geçtiğimiz on yıl içerisinde çeşitli SER teknikleri geliştirilmiştir, ancak sorun henüz tam olarak çözülmemiştir. Bu makale, Evrişimsel Sinir Ağı (Convolutional neural networks -CNN) ve Uzun-Kısa Süreli Bellek (Long Short Term Memory-LSTM) olmak üzere iki derin öğrenme mimarisinin birleşimine dayanan bir konuşmada duygu tanıma tekniği önermektedir. CNN lokal öznitelik seçiminde etkinliğini gösterirken, LSTM büyük metinlerin sıralı işlenmesinde büyük başarı göstermiştir. Önerilen Evrişimsel LSTM (Convolutional LSTM -Co-LSTM) yaklaşımı, insan-makine iletişiminde etkili bir otomatik duygu algılama yöntemi oluşturmayı amaçlamaktadır. İlk olarak, Mel Frekansı Kepstrum Katsayıları (Mel Frequency Cepstral Coefficient-MFCC) kullanılarak önerilen yöntemde konuşma sinyalinden bir görüntüsel öznitelikler matrisi çıkarılır ve ardından bu matris bir boyuta indigenir. Sonrasında modelin eğitimi için öznitelik seçme ve sınıflandırma yöntemi olarak Co-LSTM kullanılır. Deneysel analizler, konuşmanın sekiz duygusunun tamamının RAVDESS (Ryerson Audio-Visual Database of Emotional Speech and Song) ve TESS (Toronto Emotional Speech Set) veri tabanlarından sınıflandırılması üzerine yapılmıştır. MFCC Spektrogram öznitelikleri kullanılarak Co-LSTM ile %86,7 doğruluk oranı elde edilmiştir. Elde edilen sonuçlar, önceki çalışmalar ve diğer iyi bilinen sınıflandırıcılarla karşılaştırıldığında önerilen algoritmanın etkinliğini ikna edici bir şekilde kanıtlamaktadır.

show abstract

Section: Introductionunclassified

Konuşmalardaki duygunun evrişimsel LSTM modeli ile tespiti

Öztürk¹,

Pashaei²

2021

DÜMF Mühendislik Dergisi

View full text Add to dashboard Cite

show abstract

“…It has been observed that successful marketing campaigns carry emotional associations of consumers towards brands and hence emotions are indeed one of the major factors affecting consumer purchase decisions [3]. With the technological advent in the field of machine learning and deep learning, organizations have started experimenting with human to human interactions as well as human-computer interactions [4]. Facial expressions play an important role in measuring the level of interest of people when they interact with humans or machines [5].…”

Section: Introductionmentioning

confidence: 99%

Facial emotion detection technology: concept, marketing applications, business drivers and challenges

Joshi¹,

Damle²,

Kumar³

2018

IJET

View full text Add to dashboard Cite

The manuscript should contain an abstract. The abstract should be self-contained and citation-free and should not exceed 200 words. The abstract should state the purpose, approach, results and conclusions of the work. The author should assume that the reader has some knowledge of the subject but has not read the paper. Thus, the abstract should be intelligible and complete in it-self (no numerical references); it should not cite figures, tables, or sections of the paper. The abstract should be written using third person instead of first person.

show abstract