짧은 설명

프로젝트 "얼굴 표현 인식"은 CNN (Convolutional Neural Network) 방법을 사용하여 인간의 얼굴 표정을 인식하는 것을 목표로합니다. CNN 알고리즘은 Grayscale 형식의 얼굴 이미지와 같은 시각적 데이터를 분석하기 위해 적용되며, 그 다음에는 회색체 형식의 기본 표현의 7 가지 범주로 분류됩니다. 이 모델은 DataSet FER2013을 사용하여 교육을 받았으며 500 에포크 훈련 후 91.67%의 정확도에 도달했습니다.

인공 지능을 기반으로 얼굴 표정을 도입하는 시스템 개발. 이 시스템은 얼굴 표정에서 자동으로 정확하게 방출되는 감정을 식별 할 수 있습니다.
1. 얼굴 표정의 정확성을 높이기 위해 기계 학습 알고리즘을 실험합니다. 이 프로젝트에서 CNN 알고리즘은이 모델이 얼굴 도면에서 복잡한 패턴을 인식 할 수있는 정도를 이해하도록 테스트됩니다. 이 노력에는 모델 매개 변수 최적화, 추가 교육 데이터 및 데이터 증강 방법의 사용이 포함됩니다.
2. 기술 스택 사용

프레임 워크 : Python은 TensorFlow/HARD를 구현하기 위해 Library를 사용합니다

DataSet : 사용 된 데이터 세트는 FER2013 (Facial Expression Recognition 2013)이며 48x48 픽셀의 치수를 가진 35,887 개의 얼굴 회색 스케일 이미지가 포함되어 있습니다. 이 이미지에는 7 개의 기본 표현 범주가 포함 된 레이블이 있습니다.
1. 도구 :
3. 데이터 조작을위한 Numpy 및 Pandas.
시각화를위한 matplotlib.

• 결과
좋다

화난
1. 
중립적
2. 
놀란
3. 
두려워하는
4. 
역겨운
5. 
6. 문제와 내가 그것을 다루는 방법
7. 정확도 수준에 영향을 미치는 조명 차이의 문제. 
조명 변형은 모델의 정확도에 영향을 줄 수 있습니다. 이를 극복하기 위해 이미지의 조명이 더 균일 해지므로 얼굴 이미지의 패턴을 더 잘 인식 할 수 있습니다.

유사한 표현의 복잡성. "두려움"및 "놀라운"과 같은 일부 표현은 모델로 구별하기 어려운 비슷한 특성을 가지고 있습니다. 적용된 솔루션은 새로운 데이터의 일반화 능력을 향상시키기 위해 회전, 줌, 뒤집기 및 대비 변경과 같은 데이터 확대를 수행하는 것입니다.

데이터 세트가 상당히 제한되어 있습니다
1. 데이터 세트 FER2013은 상당히 크지 만 전 세계적으로 다양한 안면 변형을 다루지 않습니다. 데이터 세트를 풍부하게하기 위해 데이터 증강 기술을 사용하고 다른 관련 소스의 데이터를 추가하여 얼굴 표정을 더 잘 표현합니다.

   
   배운 교훈

이 프로젝트는 인공 지능 기반 시스템을 사용하여 얼굴 표정을 인식하는 방법에 대한 약간의 통찰력을 제공합니다. 개발 프로세스는 중요성을 보여줍니다.

2. 
   조명 문제를 처리하고 데이터 품질을 향상시키기위한 데이터.

   교육 매개 변수 실험 에포크 수, 학습 속도 및 배치 크기와 같은 최적의 조합.
실제 세계 데이터 모델의 성능을 향상시키기 위해 증강을 통해 다양한 교육 데이터를 증가시킵니다.

3. 기존의 과제를 극복함으로써,이 프로젝트는 인간-컴퓨터 상호 작용, 정서적 분석 및 심리적 모니터링과 같은 다양한 응용 프로그램에 적용 할 수있는 얼굴 표현 소개 모델을 구축하는 데 성공했습니다.