23546

COM2 645

كارشناسي ارشد

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

مهندسي كامپيوتر

دي ماه 1402

107 ص.

حسين ماهوش محمدي

شناسايي حالات چهره , شناسايي بلادرنگ , شبكه‌هاي عصبي , يادگيري گروهي , مدل‌هاي عميق , معماري VGGNet , معماري ResNet

شناسايي حالات چهره كاربردهاي متعددي در حوزه‌هاي مختلف از جمله آموزش و پرورش، خدمات درماني و تبليغات دارد. هدف اين پايان نامه طراحي و پياده‌سازي يك سيستم شناسايي بلادرنگ حالات چهره در ويديو است. هشت حالت اصلي چهره شامل خوشحالي، ناراحتي، خشم، تنفر، ترس، تحقير، و حالت طبيعي شناسايي مي‌شود.از مهم‌ترين فاكتورهاي طراحي اين سيستم مي‌توان به جمع‌آوري چهار مجموعه داده متفاوت با يك حالت چهره اضافه‌تر نسبت به ساير پژوهش‌ها، طراح دو مدل شناسايي حالات چهره بهينه و كم حجم و همچنين دقت و سرعت شناسايي قابل قبول اشاره كرد.در اين پايان نامه برا غلبه بر مشگل عدم توازن كلاسي ميان نمونه‌هاي مختلف مجموعه داده، شبگه‌هاي عصبي پيچيده و اجراي بلادرنگ روش‌هاي موثري ارائه مي‌شود.

Facial expression recognition , Real-ime detection , Neural networks , Transfer learning , Deep models , VGGNet , ResNet

Real-time facial expression recognition in video

مهندسي هوش مصنوعي

Facial expresion recognition has numerous application in various fields including education, healthcare services, and advertising. The goal of this thesis to design and implement a real-time facal expression recognition system in video. Eight main facial expressions including happiness, surprise, sadness, anger, disgust, fear, contempt, and natural are identified. Among the most important factors in designing this system are collcting four different datasets with one extra facial expreion compared to other research, designing two optimized and lightweight facial expression recognition models, and achieving acceptable recognition accuracy and speed.

6