Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων
Σκοπός αυτής της διπλωματικής εργασίας είναι να γίνει κατηγοριοποίηση των μικρο-εκφράσεων με χρήση με χρήση αλγορίθμων μηχανικής εκμάθησης που ανήκουν στην οικογένεια των Νευρωνικών Δικτύων. Πιο συγκεκριμένα, το σύνολο δεδομένων (dataset) που χρησημοποιήθηκε ήταν το SMIC - Spontaneous Micro-expressi...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2019
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/12644 |
id |
nemertes-10889-12644 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-126442022-09-05T20:18:49Z Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων Micro-expression analysis using deep learning techniques Διονυσόπουλος, Φώτιος Ψαράκης, Εμμανουήλ Δερματάς, Ευάγγελος Κοσμόπουλος, Δημήτριος Dionysopoulos, Fotios Μίκρο εκφράσεις Νευρωνικά δίκτυα Micro expression Neural networks Σκοπός αυτής της διπλωματικής εργασίας είναι να γίνει κατηγοριοποίηση των μικρο-εκφράσεων με χρήση με χρήση αλγορίθμων μηχανικής εκμάθησης που ανήκουν στην οικογένεια των Νευρωνικών Δικτύων. Πιο συγκεκριμένα, το σύνολο δεδομένων (dataset) που χρησημοποιήθηκε ήταν το SMIC - Spontaneous Micro-expression Database και τα νευρωνικά μοντέλα που υλοποιήθηκαν ήταν τα CNN (Convolutional Neural Networks), RNN (Recurrent Neural Networks) καθώς και τα LSTM (Long Short Term Memory) τα οποία ανήκουν επίσης στην κατηγορία των RNN δικτύων. Αρχικά, παρουσιάζεται το θεωρητικό υπόβαθρο με βάση το οποίο λειτουργούν και εκπαιδεύονται οι αλγόριθμοι των παραπάνω νευρωνικών δικτύων. Έπειτα, γίνεται αναφορά στις λεπτομέρεις του dataset και την διαδικασία της προ-επεξεργασίας των δεδομένων έτσι ώστε να μπορούν να χρησημοποιηθούν με τον πιο σωστό και αποτελεσματικό τρόπο κατά την εκπαίδευση των δικτύων. Έπειτα παρουσιάζεται η διαδικασία εκπαίδευσης και υλοποίησης σε προγραμματιστικό επίπεδο των δικτύων με το dataset και τέλος, γίνεται αναφορά στα συμπεράσματα από την εκπαίδευση και τις επιδόσεις των νευρωνικών μοντέλων. The aim of this diploma thesis is to classify micro-expressions by using Neural Network algorithms. In particular, the dataset used was the SMIC - Spontaneous Micro-expression Database and the neural models implemented were CNN (Convolutional Neural Networks), RNN (Recurrent Neural Networks) and LSTM (Long Short Term Memory ) which also belong to the category of RNN networks. Initially, the theoretical background is presented based on which the algorithms of the above neural networks are operated and trained. Next, reference is made to the details of the dataset and the process of pre-processing the data so that it can be used in the most correct and effective way in network training. Next, the process of training and implementation at the programming level of the networks with the dataset is presented, and finally, the conclusions from the training and performance of the neural models are presented. 2019-10-12T17:30:20Z 2019-10-12T17:30:20Z 2019-07 Thesis http://hdl.handle.net/10889/12644 gr 0 application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Μίκρο εκφράσεις Νευρωνικά δίκτυα Micro expression Neural networks |
spellingShingle |
Μίκρο εκφράσεις Νευρωνικά δίκτυα Micro expression Neural networks Διονυσόπουλος, Φώτιος Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων |
description |
Σκοπός αυτής της διπλωματικής εργασίας είναι να γίνει κατηγοριοποίηση των μικρο-εκφράσεων με χρήση με χρήση αλγορίθμων μηχανικής εκμάθησης που ανήκουν στην οικογένεια των Νευρωνικών Δικτύων. Πιο συγκεκριμένα, το σύνολο δεδομένων (dataset) που χρησημοποιήθηκε ήταν το SMIC - Spontaneous Micro-expression Database και τα νευρωνικά μοντέλα που υλοποιήθηκαν ήταν τα CNN (Convolutional Neural Networks), RNN (Recurrent Neural Networks) καθώς και τα LSTM (Long Short Term Memory) τα οποία ανήκουν επίσης στην κατηγορία των RNN δικτύων. Αρχικά, παρουσιάζεται το θεωρητικό υπόβαθρο με βάση το οποίο λειτουργούν και εκπαιδεύονται οι αλγόριθμοι των παραπάνω νευρωνικών δικτύων. Έπειτα, γίνεται αναφορά στις λεπτομέρεις του dataset και την διαδικασία της προ-επεξεργασίας των δεδομένων έτσι ώστε να μπορούν να χρησημοποιηθούν με τον πιο σωστό και αποτελεσματικό τρόπο κατά την εκπαίδευση των δικτύων. Έπειτα παρουσιάζεται η διαδικασία εκπαίδευσης και υλοποίησης σε προγραμματιστικό επίπεδο των δικτύων με το dataset και τέλος, γίνεται αναφορά στα συμπεράσματα από την εκπαίδευση και τις επιδόσεις των νευρωνικών μοντέλων. |
author2 |
Ψαράκης, Εμμανουήλ |
author_facet |
Ψαράκης, Εμμανουήλ Διονυσόπουλος, Φώτιος |
format |
Thesis |
author |
Διονυσόπουλος, Φώτιος |
author_sort |
Διονυσόπουλος, Φώτιος |
title |
Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων |
title_short |
Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων |
title_full |
Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων |
title_fullStr |
Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων |
title_full_unstemmed |
Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων |
title_sort |
ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων |
publishDate |
2019 |
url |
http://hdl.handle.net/10889/12644 |
work_keys_str_mv |
AT dionysopoulosphōtios analysēmikroekphraseōnmechrēsēneurōnikōndiktyōn AT dionysopoulosphōtios microexpressionanalysisusingdeeplearningtechniques |
_version_ |
1771297308230549504 |