| Anotācija |
Šis bakalaura darbs pēta un salīdzina mākslīgā intelekta metodes video balstītai cilvēka emociju atpazīšanai, īpašu uzmanību pievēršot sejas izteiksmēm. Emociju atpazīšanas sistēmas tiek izmantotas dažādās jomās, piemēram, uzņēmējdarbībā, veselības aprūpē un izglītībā.
Teorētiskajā daļā tiek apskatīti cilvēka emociju atpazīšanas pamatjēdzieni ar uzsvaru uz sejas izteiksmju analīzi. Tajā tiek aplūkoti dažādi emociju klasifikācijas modeļi, piemēram, valences-arousal un diskrētie modeļi, kā arī novērtēta to nozīme datorredzes uzdevumos. Analīze koncentrējas uz galveno izaicinājumu identificēšanu, kas ietekmē video balstītu FER, īpaši apgaismojuma svārstības, galvas pozīciju un smalkas emocionālās izteiksmes. Šī sadaļa piedāvā arī mašīnmācīšanās un dziļās mācīšanās pieeju salīdzinājumu, izvērtējot tādus modeļus kā CNN, RNN, CNN+LSTM hibrīdus, kā arī arhitektūras, piemēram, VGGNet, Inception, ResNet un EfficientNet, un to priekšrocības un trūkumus.
Praktiskajā daļā tika analizētas vairākas mākslīgā intelekta (MI) metodes video emociju noteikšanai, tostarp konvolūciju neironu tīkli (CNN), izlases meži (Random Forest) un loģistiskā regresija. Pētījumā šīs metodes tika izvērtētas, izmantojot precizitāti, atsaukšanu, F1 rādītāju un precizitātes rādītājus FER-2013 un CK+ datu kopās. Rezultāti parādīja, ka CNN sasniedza augstāku precizitāti un F1 rādītājus nekā tradicionālās mašīnmācīšanās metodes. Novērtējums, izmantojot jucekļa matricu un veiktspējas tabulas, atklāj gan veiksmīgās prognozes, gan kļūdainos identificējumus katram testētajam modelim.
Pētījums pierāda, ka dziļās mācīšanās metodes, īpaši CNN balstītas sistēmas, ir ļoti veiksmīgas emociju atpazīšanā un tām ir praktiska nozīme tūlītējai emociju noteikšanai. Šie atklājumi sniedz būtisku virzienu izstrādātājiem, kuri vēlas ieviest emocionāli jutīgu mākslīgo intelektu interaktīvās sistēmās.
Šis bakalaura darbs sastāv no 63 lapaspusēm, 17 tabulām, 14 attēliem un 178 izmantotajiem literatūras avotiem. |
