L’apprentissage profond pour la reconnaissance des macro-expressions
| dc.contributor.author | Merrouche, Said | |
| dc.contributor.author | Ben Merrouche, Imad el hak | |
| dc.date.accessioned | 2024-10-31T11:14:31Z | |
| dc.date.available | 2024-10-31T11:14:31Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Recognition of human emotions, particularly through facial expressions, has recently garnered a lot of research attention. Advanced deep learning and machine learning techniques have been employed to analyze the CK+ database in order to better understand and identify emotions. In our experiments, we explored two primary methods for emotion detection. The first method involved machine learning techniques using algorithms such as k-nearest neighbors (K-NN) and support vector machines (SVM). The second method relied on deep learning using convolutional neural networks (CNN) and (DenseNet). This comparison allowed us to evaluate the effectiveness of traditional approaches versus modern techniques in the field of emotion recognition, providing us with deep insights into the relative performance of each | en_US |
| dc.identifier.issn | MM/845 | |
| dc.identifier.uri | http://10.10.1.6:4000/handle/123456789/5669 | |
| dc.language.iso | fr | en_US |
| dc.publisher | Université de Bordj Bou Arreridj Faculty of Mathematics and Computer Science | en_US |
| dc.subject | biométrie, réseau de neurones con-volutifs (CNN), reconnaissance des emotions faciales (REF), Machines à vecteurs de support (SVM), K-plus proche voisin (KNN), réseau convolutionnel densément connecté (DenseNet | en_US |
| dc.subject | biometrics ,convolutional neural network (CNN), facial emotion recognition (FER), support vector machine(SVM), k-nearest neighbors(KNN), densely connected convolutional neural networks(DenseNet) | en_US |
| dc.title | L’apprentissage profond pour la reconnaissance des macro-expressions | en_US |
| dc.type | Thesis | en_US |
Files
Original bundle
1 - 1 of 1
- Name:
- Mémoire Finale 2023-2024.pdf
- Size:
- 7.53 MB
- Format:
- Adobe Portable Document Format
- Description:
- La reconnaissance des émotions faciales constitue une avancée majeure dans le domaine de l’intelligence artificielle, fusionnant habilement les domaines de la vision par ordinateur, de l’apprentissage automatique et de la psychologie. L’objectif central de cette étude était de concevoir un système capable de détecter et d’interpréter les émotions humaines à partir d’images faciales avec une précision remarquable. Dans cette recherche, une attention particulière a été portée au développement d’un système de reconnaissance des émotions faciales en tirant parti des techniques d’apprentissage automatique et des méthodes de deep learning. Un processus méthodique a été suivi, comprenant diverses étapes de prétraitement telles que le redimensionnement des images, l’ajustement des couleurs, le filtrage de netteté et la conversion en niveaux de gris. Pour l’extraction des caractéristiques, la méthode des landmarks a été employée, tandis que pour la classification, une variété d’algorithmes ont été explorés, incluant K-NN et SVM pour les approches traditionnelles, ainsi que des réseaux de neurones convolutionnels (CNN) et l’architecture DenseNet pour les méthodes de deep learning. Les résultats expérimentaux ont démontré la supériorité des modèles de deep learning par rapport aux méthodes traditionnelles telles queK-NN et SVM, en termes de précision et de robustesse. En particulier, l’architecture CNN a montré des performances légèrement meilleures que les DenseNet, le modèle dense net reste compétitif et présente des possibilités d’amélioration grâce à ses connexions denses qui facilitent l’apprentissage de caractéristiques complexes et améliorent la propagation des gradient . Cependant le modèle CNN présente aussi des possibilités d’amélioration par le biais d’ajustements supplémentaires et d’une optimisation fine des hyperparamètres. Les méthodes de prétraitement des données, en particulier l’identification et l’alignement des points de repère faciaux, ont également été déterminantes dans l’amélioration des performances du modèle. En utilisant la base de données CK+, des résultats probants ont été obtenus, illustrant ainsi l’application pratique de ces techniques et validant l’efficacité de l’approche adoptée pour la reconnaissance précise des émotions à partir des images correspondantes. 52 En conclusion, cette étude confirme le potentiel considérable des techniques de deep learning dans le domaine de la reconnaissance des émotions faciales, ouvrant ainsi la voie à des applications plus sophistiquées et interactives. Les perspectives futures de recherche incluent l’exploration de nouvelles architectures de réseaux neuronaux, l’intégration de données multimodales telles que l’audio et la vidéo, ainsi que l’adaptation des modèles à des environnements réels pour des applications en temps réel. Ainsi, cette recherche contribue de manière significative à l’amélioration continue des systèmes intelligents et à une meilleure compréhension des émotions humaines.
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: