Yüz İfadelerini Sınıflandırmada CNN Modellerinde Kullanılan Optimizasyon Yöntemlerinin Karşılaştırılması
Öz
Yüz ifadeleri, insanlar arası iletişimde ana bilgi kanallarından biridir. İnsanlar günlük hayatlarında psikolojik durumları ifade etmek için çok fazla yüz ifadesi oluşturmaktadır. Bu yüz ifadeleri temel ve karmaşık duygular olarak ayrılır. İnsanlar bu duygu ifadelerini tanımlamada hala zorlanırken makineler için de gelişmekte olan bir konudur. Bu sebeple son zamanlarda çok fazla ilgi görmektedir. Bu çalışmada Ohio Eyalet Üniversitesine ait Compound Emotion (CE) veri setindeki temel 7 duygu olan doğal, mutlu, üzgün, öfkeli, şaşırmış, korkulu ve iğrenme duyguları üzerinde durulmaktadır. Veri seti 1610 görüntüden oluşmaktadır. Başarımı arttırmak için veri çoğaltma işlemi uygulanarak 5478 görüntü elde edilmektedir. Eğitilmiş evrişimli sinir ağı modelleri ile sınıflandırma işleminde optimizasyon yöntemlerinin etkileri gösterilmektedir. VGG19 ve MobileNet modelleri ile birlikte Adadelta, Adagrad ve SGD optimizasyon yöntemlerinin duygu sınıflarında en başarılı sonuç tespit edilmektedir.
Anahtar Kelimeler
Kaynakça
- Alimovski, E. ve Erdemir, G. (2021). Veri artırma tekniklerinin derin öğrenmeye dayalı yüz tanıma sisteminde etkisi. İstanbul Sabahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 3(1), 76-80.
- Chen, M., Zhang, L., & Allebach, J.P. (2015). Learning deep features for image emotion classification. 2015 IEEE International Conference on Image Processing (ICIP), 4491-4495.
- Defazio, A. (2020). Optimizasyon yöntemleri 1. 25 Mayıs tarihinde https://atcold.github.io/pytorch-Deep-Learning/tr/week05/05-1/ adresinden erişildi.
- Du, S., Tao, Y. & Martinez, A. M. (2014). Compound facial expressions of emotion. Proceedings of the national academy of sciences, 111(15), E1454-E1462.
- Jung, H., Lee, S., Yim, J., Park, S., & Kim, J. (2015) Joint Fine-Tuning in Deep Neural Networks for Facial Expression Recognition. 2015 IEEE International Conference on Computer Vision (ICCV), 2983-2991. doi: 10.1109/ICCV.2015.341.
- Kandhro, I. A., Uddin, M., Hussain, S., Chaudhery, T. J., Shorfuzzaman, M., Meshref, H., ... & Khalaf, O. I. (2022). Impact of Activation, Optimization, and Regularization Methods on the Facial Expression Model Using CNN. Computational Intelligence and Neuroscience, 2022.
- Ko, B. (2018). A Brief Review of Facial Emotion Recognition Based on Visual Information. Sensors, 18(2). doi: 10.3390/s18020401.
- Li, J., Jin, K., Zhou, D., Kubota, N., & Ju, Z. (2020). Attention mechanism-based CNN for facial expression recognition. Neurocomputing, 411,340-350. https://doi.org/10.1016/j.neucom.2020.06.014.
- Littlewort, G., Bartlett, M. S., Fasel, M. S., Chenu, J., Kanda, T., Ishiguro, H. & Movellan, J. R. (2003). Towards social robots: Automatic evaluation of human-robot interaction by face detection and expression classification, 2003.
- Özdemir, D., ve Karaman, S. (2017). Investigating interactions between students with mild mental retardation and humanoid robot in terms of feedback types. Egitim ve Bilim, 42(191),109-138.