Neuroevolutionary architecture search for facial expression recognition

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Pinheiro, Leonardo Antonio
Orientador(a): Santiago, Rafael de
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/236075
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.
id UFSC_c6dcdf0bb11aba911bed5b3ee2e3e382
oai_identifier_str oai:repositorio.ufsc.br:123456789/236075
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaPinheiro, Leonardo AntonioSantiago, Rafael de2022-07-05T23:18:13Z2022-07-05T23:18:13Z2022376990https://repositorio.ufsc.br/handle/123456789/236075Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.O reconhecimento de expressão facial tem sido uma área ativa com aplicações para resolução de tarefas em diversos campos como medicina, psicologia, pedagogia e também para interação humano-computador. Para resolver esta tarefa, redes neurais convolucionais com técnicas de visão computacional para pré-processamento são as abordagens mais comuns. Além disso, nos últimos anos, a pesquisa reconhecimento de expressão facial passou de condições controladas em laboratório para condições desafiadoras na natureza. Recentemente, estudos utilizando algoritmos genéticos para atribuir automaticamente os melhores parâmetros à redes neurais convolucionais obtiveram melhores resultados do que aqueles feitos manualmente em tarefas de classificação de imagens utilizando as bases de dados CIFAR-10 e CIFAR-100. A abordagem utiliza parâmetros aleatórios para gerar arquiteturas redes neurais convolucionais, e alcança uma arquitetura competitiva em relação ao estado da arte em reconhecimento de expressões faciais. Nossa abordagem usa três dos principais conjuntos de dados para reconhecimento de expressões faciais, a saber: JAFFe, CK+ e AffectNet. O uso de um conjunto de dados não laboratorial como o AffectNet é relevante porque os ruídos da imagem se assemelham ao ambiente real. A metaheurística proposta nesta dissertação de mestrado superou os resultados do estado da arte para o conjunto de dados AffectNet.Abstract: Facial Expression Recognition (FER) has been an active field with applications to solve tasks in several areas such as medicine, psychology, pedagogy and also for human-computer interaction. To solve this task, convolutional neural networks (CNN) with computer vision techniques for pre-processing are the most common approaches. In addition, in the last years, FER research has transitioned from laboratory-controlled to challenging in-the-wild conditions. Recently, studies using genetic algorithms (GA) to automatically assign the best parameters to CNN have obtained better results than those manually-designed in image classification tasks using the CIFAR-10 and CIFAR-100 databases. Using random parameters to generate CNN architectures, applying a competitive architecture compared to state of the art in facial expression recognition. Our approach uses three of the main datasets for facial expression recognition, namely: JAFFe, CK+, and AffectNet. The use of a non-laboratory dataset such as AffectNet is relevant because the image noises resemble the real environment. The metaheuristic proposed in this master's thesis surpassed the state-of-the-art results for the AffectNet dataset.78 p.| il., gráfs.engComputaçãoRedes neurais (Computação)Algorítmos genéticosPercepção facialReconhecimento de emoçõesNeuroevolutionary architecture search for facial expression recognitioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPGCC1216-D.pdfPGCC1216-D.pdfapplication/pdf1500571https://repositorio.ufsc.br/bitstream/123456789/236075/-1/PGCC1216-D.pdfd4225b38fa2f9379040c3418089181a4MD5-1123456789/2360752022-07-05 20:18:13.692oai:repositorio.ufsc.br:123456789/236075Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732022-07-05T23:18:13Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Neuroevolutionary architecture search for facial expression recognition
title Neuroevolutionary architecture search for facial expression recognition
spellingShingle Neuroevolutionary architecture search for facial expression recognition
Pinheiro, Leonardo Antonio
Computação
Redes neurais (Computação)
Algorítmos genéticos
Percepção facial
Reconhecimento de emoções
title_short Neuroevolutionary architecture search for facial expression recognition
title_full Neuroevolutionary architecture search for facial expression recognition
title_fullStr Neuroevolutionary architecture search for facial expression recognition
title_full_unstemmed Neuroevolutionary architecture search for facial expression recognition
title_sort Neuroevolutionary architecture search for facial expression recognition
author Pinheiro, Leonardo Antonio
author_facet Pinheiro, Leonardo Antonio
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Pinheiro, Leonardo Antonio
dc.contributor.advisor1.fl_str_mv Santiago, Rafael de
contributor_str_mv Santiago, Rafael de
dc.subject.classification.none.fl_str_mv Computação
Redes neurais (Computação)
Algorítmos genéticos
Percepção facial
Reconhecimento de emoções
topic Computação
Redes neurais (Computação)
Algorítmos genéticos
Percepção facial
Reconhecimento de emoções
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2022.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-07-05T23:18:13Z
dc.date.available.fl_str_mv 2022-07-05T23:18:13Z
dc.date.issued.fl_str_mv 2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/236075
dc.identifier.other.none.fl_str_mv 376990
identifier_str_mv 376990
url https://repositorio.ufsc.br/handle/123456789/236075
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 78 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/236075/-1/PGCC1216-D.pdf
bitstream.checksum.fl_str_mv d4225b38fa2f9379040c3418089181a4
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759276428623872

Registros relacionados