Определение эмоций по выражению лица студентов с помощью CNN
109 114
Ключевые слова:
Сверточные нейронные сети, Распознавание выражений лица, Распознавание эмоций, Глубокое обучение, Образовательная среда., Конволюциялық нейрондық желілер, мимиканы тану, эмоцияны тану, терең оқыту, білім беру ортасы.Аннотация
Распознавание и понимание человеческих эмоций, особенно в образовательной среде, имеет большое значение. В данном исследовании акцент сделан на использовании сверточных нейронных сетей (CNN) для точной идентификации эмоций учащихся на основе их выражений лица. Путем анализа фациальных признаков может быть разработана автоматизированная система для эффективного распознавания и интерпретации эмоций в образовательных контекстах.
Для этой работы составляется разнообразный набор данных, включающий изображения лиц учащихся с различными эмоциями. Извлекаются фациальные ориентиры и действия, позволяющие улавливать важную информацию из различных областей лица. Эти изображения тщательно аннотируются с использованием истинных меток, обеспечивая точное обучение и оценку модели CNN.
CNN выбраны в качестве основной технологии для извлечения признаков и классификации эмоций благодаря их способности распознавать сложные пространственные закономерности и иерархические представления. Проводится обширное обучение, включающее такие методы, как аугментация данных и перенос обучения, что позволяет модели обобщаться и адаптироваться к широкому спектру эмоциональных выражений.
Производится оценка производительности модели CNN с использованием таких метрик, как точность, точность предсказания, полнота и F1-мера. Проводятся тщательные эксперименты, сравнивающие предложенный подход с существующими методами распознавания эмоций по выражению лица, что демонстрирует превосходную производительность модели CNN в точном определении эмоций учащихся по выражению лица.
Библиографические ссылки
REFERENCES
Tang, Chuangao, et al. «Automatic facial expression analysis of students in teaching environments». Biometric Recognition: 10th Chinese Conference, CCBR 2015, / Tianjin, China, November 13-15, 2015, Proceedings 10. Springer International Publishing, – 2015.
Kim, Yelin, Tolga Soyata, and Reza Feyzi Behnagh. «Towards emotionally aware AI smart classroom: Current issues and directions for engineering and education». IEEE Access 6 (2018): 5308-5331.
Lv, Yadan, Zhiyong Feng, and Chao Xu. «Facial expression recognition via deep learning». 2014 international conference on smart computing. IEEE, – 2014.
Viola, Paul, and Michael Jones. "Rapid object detection using a boosted cascade of simple features." Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001. Vol. 1. Ieee, – 2001.
Albawi, Saad, Tareq Abed Mohammed, and Saad Al-Zawi. «Understanding of a convolutional neural network». 2017 international conference on engineering and technology (ICET). Ieee, –2017.
Freund, Yoav, and Robert E. Schapire. «A decision-theoretic generalization of on-line learning and an application to boosting». Journal of computer and system sciences 55.1 (1997): 119–139.
Harper, Robert G., Arthur N. Wiens, and Joseph D. Matarazzo. Nonverbal communication: The state of the art. John Wiley & Sons, – 1978.
Tang, Xiao-Yu, et al. «Classroom teaching evaluation based on facial expression recognition». Proceedings of the 2020 9th International Conference on Educational and Information Technology. – 2020.
Wu, Haobang. «Real Time Facial Expression Recognition for Online Lecture». Wireless Communications and Mobile Computing 2022 – (2022).
Guo, Xiaoxu, Juxiang Zhou, and Tianwei Xu. «Evaluation of teaching effectiveness based on classroom micro-expression recognition». International Journal of Performability Engineering 14.11 (2018): 2877.
