کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6853440 1437184 2018 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Image-based emotion recognition using evolutionary algorithms
ترجمه فارسی عنوان
شناخت عاطفی مبتنی بر تصویر با استفاده از الگوریتم های تکاملی
کلمات کلیدی
تشخیص الگو، الگوریتم های تکاملی، بهینه سازی، یادگیری ماشین، نظارت بر یادگیری
فهرست مطالب مقاله
چکیده

کلمات کلیدی

مقدمه

کارهای مرتبط

چارچوب کار

شکل 1. چارچوب رویکرد ما

استخراج ویژگی ها

شکل 2. محاسبه هیستوگرام PHOG.

شکل 3 . ساختار راه حل کاندید

جدول 1 . مقایسه بین اندازه بردارهای ویژگی قبل و بعد از استفاده از انتخاب ژنتیکی.

شکل 4. نمونه های RaFD

طبقه بندی

آزمایش ها و تجزیه و تحلیل

رابطه بین تابع تناسب و میزان دقت

شکل 5. مقایسه عملکرد چهار تابع تناسب از نظر دقت طبقه بندی

مقایسه بین انتخاب ویژگی های GA و PCA

جدول 2. مقایسه بین چهار تابع تناسب از لحاظ زمان آموزش.

شکل 6. اثر تعداد نسل ها بر دقت طبقه بندی.

شکل 7. تاثير تعداد راه حل هاي کانديدا بر دقت طبقه بندي 

شکل 8. مقایسه بین انتخاب ویژگی های GA و PCA.

شکل 10. مقایسه ویژگی های PHOG و PHOG-LBP با استفاده از انتخاب ویژگی GA.

شکل 11. مقایسه مقادیر KNN و LDA با انتخاب ویژگی های PCA.

شکل 12. مقایسه مقادیر KNN و LDA با استفاده از انتخاب ویژگی GA. 

شکل 13. مقایسه رویکرد ما بر اساس GA و VGG چهره CNN از نظر دقت بیش از شش احساس (٪).

جدول 3. مقایسه رویکرد ما و cnn.

جدول 4. مقایسه رویکرد ما و سایر رویکردهای موجود. 

نتیجه گیری
ترجمه چکیده
در تشخیص الگو، دقت طبقه بندی دارای ویژگی های انتخابی قوی است. بنابراین، در مقاله حاضر، ما الگوریتم تکاملی را در ترکیب با تجزیه و تحلیل خطی جدایی (LDA) برای افزایش انتخاب ویژگی در یک سیستم عبارات چهره مبتنی بر تصویر ایستا اعمال کردیم. دقت طبقه بندی به این بستگی دارد که آیا ویژگی ها به خوبی نشان دهنده بیان هستند یا خیر. بنابراین، بهینه سازی ویژگی های انتخاب شده به طور خودکار دقت را بهبود می بخشد. روش پیشنهادی نه تنها طبقه بندی را بهبود می بخشد، بلکه ابعاد ویژگی ها را نیز کاهش می دهد. رویکرد ما بهتر از الگوریتم های کاهش خطی مبتنی بر الگوریتم و سایر الگوریتم های انتخابی مبتنی بر ژنتیک موجود است. علاوه بر این، رویکرد ما با VGG (گروه ویژۀ هندسه) شبکه عصبی کانولوشن (CNN) با مقایسه نتایج آزمایش، دقت کلی 98.67 درصد برای رویکرد ما یا VGGface است. با این حال، روش پیشنهادی CNN از لحاظ زمان آموزش و اندازه ویژگی ها بهتر عمل می کند. روش پیشنهادی ثابت می کند که با استفاده از کمتر از CNN و در یک دوره آموزش منطقی می تواند دقت بالا را به دست آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شناخت عاطفی مبتنی بر تصویر با استفاده از الگوریتم های تکاملی
چکیده انگلیسی
In pattern recognition, the classification accuracy has a strong correlation with the selected features. Therefore, in the present paper, we applied an evolutionary algorithm in combination with linear discriminant analysis (LDA) to enhance the feature selection in a static image-based facial expressions system. The accuracy of the classification depends on whether the features are well representing the expression or not. Therefore the optimization of the selected features will automatically improve the classification accuracy. The proposed method not only improves the classification but also reduces the dimensionality of features. Our approach outperforms linear-based dimensionality reduction algorithms and other existing genetic-based feature selection algorithms. Further, we compare our approach with VGG (Visual Geometry Group)-face convolutional neural network (CNN), according to the experimental results, the overall accuracy is 98.67% for either our approach or VGG-face. However, the proposed method outperforms CNN in terms of training time and features size. The proposed method proves that it is able to achieve high accuracy by using far fewer features than CNN and within a reasonable training time.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Biologically Inspired Cognitive Architectures - Volume 24, April 2018, Pages 70-76
نویسندگان
, ,