컴퓨터 비전 기술 이슈 중 얼굴 감정 인식 문제는 흥미롭고 도전적인 문 제이다. 일반적으로, 컨벌루션 기반 얼굴 감정 인식 기술은 다음과 같은 순차적인 과정에 따른다. 얼굴 및 얼굴 요소 등록, 특징점 추출, 얼굴 감 정 분류의 과정이 그것이다. 기존의 많은 컨볼루션 신경망(CNN) 기반의 연구들은 종단-대-종단 처리를 생성한다. 하지만 이러한 기존 연구의 단 점 중 하나는 ...
컴퓨터 비전 기술 이슈 중 얼굴 감정 인식 문제는 흥미롭고 도전적인 문 제이다. 일반적으로, 컨벌루션 기반 얼굴 감정 인식 기술은 다음과 같은 순차적인 과정에 따른다. 얼굴 및 얼굴 요소 등록, 특징점 추출, 얼굴 감 정 분류의 과정이 그것이다. 기존의 많은 컨볼루션 신경망(CNN) 기반의 연구들은 종단-대-종단 처리를 생성한다. 하지만 이러한 기존 연구의 단 점 중 하나는 데이터셋 의 한계에서 오는 오버피팅(overfitting)이다. 본 논문에서는 새로운 손실 함수를 CNN 기반의 얼굴 감정 인식에 적용하 였다. 제안하는 손실함수는 특징점들과 그 안의 관련성이 적은 분류 중 심간의 거리의 정의를 통해 인터클래스간의 분산을 증가 시킨다. 실험 결과를 통해 제안하는 손실함수의 효과를 검증하였으며 기존의 손심함수 (소프트맥스 손실, 중심 손실) 들과의 비교도 동시에 진행하였다.
컴퓨터 비전 기술 이슈 중 얼굴 감정 인식 문제는 흥미롭고 도전적인 문 제이다. 일반적으로, 컨벌루션 기반 얼굴 감정 인식 기술은 다음과 같은 순차적인 과정에 따른다. 얼굴 및 얼굴 요소 등록, 특징점 추출, 얼굴 감 정 분류의 과정이 그것이다. 기존의 많은 컨볼루션 신경망(CNN) 기반의 연구들은 종단-대-종단 처리를 생성한다. 하지만 이러한 기존 연구의 단 점 중 하나는 데이터셋 의 한계에서 오는 오버피팅(overfitting)이다. 본 논문에서는 새로운 손실 함수를 CNN 기반의 얼굴 감정 인식에 적용하 였다. 제안하는 손실함수는 특징점들과 그 안의 관련성이 적은 분류 중 심간의 거리의 정의를 통해 인터클래스간의 분산을 증가 시킨다. 실험 결과를 통해 제안하는 손실함수의 효과를 검증하였으며 기존의 손심함수 (소프트맥스 손실, 중심 손실) 들과의 비교도 동시에 진행하였다.
Facial Expression Recognition (FER) problem is an interesting and challenging problem in the computer vision field. The conventional facial expression recognition process has the following steps: face, facial component registrations; feature extractions; facial expression classification. Many approa...
Facial Expression Recognition (FER) problem is an interesting and challenging problem in the computer vision field. The conventional facial expression recognition process has the following steps: face, facial component registrations; feature extractions; facial expression classification. Many approaches using Convolutional Neural Networks to create an end-to-end process. The drawback of the previous CNNs-based approaches is overfitting because of the limited dataset. In this thesis, the new loss function is proposed to apply to Convolutional Neural Networks (CNNs) to recognize facial expression. The loss function increases the inter-class variations by increasing the distance between the deep features and their non-corresponding class centers and the distance among the class feature centers. Experimental results considered the effectiveness of the proposed loss function, compared to the previous loss functions, e.g. softmax loss, center loss, marginal loss, range loss.
Facial Expression Recognition (FER) problem is an interesting and challenging problem in the computer vision field. The conventional facial expression recognition process has the following steps: face, facial component registrations; feature extractions; facial expression classification. Many approaches using Convolutional Neural Networks to create an end-to-end process. The drawback of the previous CNNs-based approaches is overfitting because of the limited dataset. In this thesis, the new loss function is proposed to apply to Convolutional Neural Networks (CNNs) to recognize facial expression. The loss function increases the inter-class variations by increasing the distance between the deep features and their non-corresponding class centers and the distance among the class feature centers. Experimental results considered the effectiveness of the proposed loss function, compared to the previous loss functions, e.g. softmax loss, center loss, marginal loss, range loss.
주제어
#CNN-based Facial Expression Recognition with New Loss Function
학위논문 정보
저자
팜동
학위수여기관
숭실대학교 대학원
학위구분
국내석사
학과
정보통신공학과(일원)
지도교수
홍민철
발행연도
2019
총페이지
35
키워드
CNN-based Facial Expression Recognition with New Loss Function
※ AI-Helper는 부적절한 답변을 할 수 있습니다.