Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros
RESUMEN : En este trabajo se propone un enfoque basado en el aprendizaje por transferencia (del inglés, Transfer Learning, TL), este método consiste en usar y/o ajustar modelos previamente entrenados para mejorar el rendimiento de una tarea objetivo. Su eficiencia radica en el ahorro de tiempo y rec...
- Autores:
-
Flórez Flórez, Marco Tulio
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/31908
- Acceso en línea:
- https://hdl.handle.net/10495/31908
- Palabra clave:
- Inteligencia artificial
Artificial intelligence
Transferencia de información
Information transfer
Canales de comunicación
Communication channels
Personalidad y emociones
Personality and emotions
http://vocabularies.unesco.org/thesaurus/concept3052
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/2.5/co/
id |
UDEA2_c43afc49382c247237f3af15a574331e |
---|---|
oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/31908 |
network_acronym_str |
UDEA2 |
network_name_str |
Repositorio UdeA |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros |
title |
Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros |
spellingShingle |
Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros Inteligencia artificial Artificial intelligence Transferencia de información Information transfer Canales de comunicación Communication channels Personalidad y emociones Personality and emotions http://vocabularies.unesco.org/thesaurus/concept3052 |
title_short |
Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros |
title_full |
Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros |
title_fullStr |
Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros |
title_full_unstemmed |
Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros |
title_sort |
Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostros |
dc.creator.fl_str_mv |
Flórez Flórez, Marco Tulio |
dc.contributor.advisor.none.fl_str_mv |
Orozco Arroyave, Juan Rafael Ríos Urrego, Cristian David |
dc.contributor.author.none.fl_str_mv |
Flórez Flórez, Marco Tulio |
dc.subject.unesco.none.fl_str_mv |
Inteligencia artificial Artificial intelligence |
topic |
Inteligencia artificial Artificial intelligence Transferencia de información Information transfer Canales de comunicación Communication channels Personalidad y emociones Personality and emotions http://vocabularies.unesco.org/thesaurus/concept3052 |
dc.subject.lemb.none.fl_str_mv |
Transferencia de información Information transfer Canales de comunicación Communication channels Personalidad y emociones Personality and emotions |
dc.subject.unescouri.none.fl_str_mv |
http://vocabularies.unesco.org/thesaurus/concept3052 |
description |
RESUMEN : En este trabajo se propone un enfoque basado en el aprendizaje por transferencia (del inglés, Transfer Learning, TL), este método consiste en usar y/o ajustar modelos previamente entrenados para mejorar el rendimiento de una tarea objetivo. Su eficiencia radica en el ahorro de tiempo y recursos al no tener que entrenar modelos desde cero. Esta técnica se implementó en la clasificación de cuatro emociones: neutro, enojado, feliz y triste, con el fin de comprender el comportamiento de una persona frente a los acontecimientos que se presentan en un entorno dado. Reconocer las emociones mencionadas anteriormente, resulta de gran utilidad a la hora de realizar aplicaciones dentro de este ámbito, por ejemplo, en el área de la educación, los profesores pueden identificar el nivel de atención de sus alumnos a través de sus expresiones faciales. Otra área de aplicación es la seguridad, donde a partir de cámaras de vigilancia se pueda obtener información útil del estado emocional de una persona, que refleje en sus expresiones posibles amenazas para la seguridad propia o de terceros. Motivados por esto, en este trabajo se propone abordar el problema de clasificación de emociones en rostros implementando tres arquitecturas de redes neuronales convolucionales usando la base de datos FER-2013 para obtener modelos base y emplearlos en el aprendizaje por transferencia hacia la base de datos Cohn-Kanade, esto con el fin de mejorar la eficiencia de los modelos implementados para la clasificación de cuatro emociones: neutro, feliz, triste y enojado. Particularmente, en este trabajo se realizarón 5 experimentos con el fin de comparar y comprobar si la técnica de aprendizaje por transferencia mejora diferentes métricas de desempeño: I Implementación y evaluación de diferentes redes neuronales convolucionales (VGG-16, AlexNet y LeNet) utilizando la base de datos FER-2013. II Implementación y evaluación de redes neuronales convolucionales (VGG-16, AlexNet y LeNet) utilizando la base de datos Cohn-Kanade. III Implementación y evaluación de aprendizaje por transferencia desde los modelos creados con la base de datos FER-2013 para la clasificación de Cohn-Kanade. IV Implementación y comparación de métodos clásicos de clasificación como: máquinas de soporte vectorial (del inglés, Support Vector Machines, SVM), bosques aleatorios (del inglés, Random Forest, RF) y el algoritmo de aumento de gradiente extremo (del inglés, Extreme Gradient Boosting, XGBoost) a partir de representaciones intermedias obtenidas de las CNNs usando la técnica de triple pérdida. V Clasificación biclase a partir del plano de Arousal y Valencia, utilizando métodos clásicos sobre la base de datos Cohn-Kanade. En general los resultados muestran para los distintos experimentos realizados que la técnica de aprendizaje por transferencia incrementa el desempeño de la clasificación de emociones en rostros de personas en comparación a modelos entrenados desde cero. Al igual, se puede observar que la técnica triple pérdida en conjunto con métodos de clasificación clásicos, logran resultados comparables a los obtenidos a partir de redes neuronales profundas. |
publishDate |
2022 |
dc.date.accessioned.none.fl_str_mv |
2022-11-08T22:07:59Z |
dc.date.available.none.fl_str_mv |
2022-11-08T22:07:59Z |
dc.date.issued.none.fl_str_mv |
2022 |
dc.type.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
dc.type.hasversion.spa.fl_str_mv |
info:eu-repo/semantics/draft |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
format |
http://purl.org/coar/resource_type/c_7a1f |
status_str |
draft |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/31908 |
url |
https://hdl.handle.net/10495/31908 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ |
dc.rights.accessrights.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.creativecommons.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.format.extent.spa.fl_str_mv |
48 |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
dc.publisher.group.spa.fl_str_mv |
Grupo de Investigación en Telecomunicaciones Aplicadas (GITA) |
dc.publisher.place.spa.fl_str_mv |
Medellín - Colombia |
institution |
Universidad de Antioquia |
bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstream/10495/31908/1/FlorezMarco_2022_EmocionTransferenciaRedes.pdf https://bibliotecadigital.udea.edu.co/bitstream/10495/31908/2/license_rdf https://bibliotecadigital.udea.edu.co/bitstream/10495/31908/3/license.txt |
bitstream.checksum.fl_str_mv |
ee90823b949e91537dfb03b7e04322e3 e2060682c9c70d4d30c83c51448f4eed 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad de Antioquia |
repository.mail.fl_str_mv |
andres.perez@udea.edu.co |
_version_ |
1812173075040436224 |
spelling |
Orozco Arroyave, Juan RafaelRíos Urrego, Cristian DavidFlórez Flórez, Marco Tulio2022-11-08T22:07:59Z2022-11-08T22:07:59Z2022https://hdl.handle.net/10495/31908RESUMEN : En este trabajo se propone un enfoque basado en el aprendizaje por transferencia (del inglés, Transfer Learning, TL), este método consiste en usar y/o ajustar modelos previamente entrenados para mejorar el rendimiento de una tarea objetivo. Su eficiencia radica en el ahorro de tiempo y recursos al no tener que entrenar modelos desde cero. Esta técnica se implementó en la clasificación de cuatro emociones: neutro, enojado, feliz y triste, con el fin de comprender el comportamiento de una persona frente a los acontecimientos que se presentan en un entorno dado. Reconocer las emociones mencionadas anteriormente, resulta de gran utilidad a la hora de realizar aplicaciones dentro de este ámbito, por ejemplo, en el área de la educación, los profesores pueden identificar el nivel de atención de sus alumnos a través de sus expresiones faciales. Otra área de aplicación es la seguridad, donde a partir de cámaras de vigilancia se pueda obtener información útil del estado emocional de una persona, que refleje en sus expresiones posibles amenazas para la seguridad propia o de terceros. Motivados por esto, en este trabajo se propone abordar el problema de clasificación de emociones en rostros implementando tres arquitecturas de redes neuronales convolucionales usando la base de datos FER-2013 para obtener modelos base y emplearlos en el aprendizaje por transferencia hacia la base de datos Cohn-Kanade, esto con el fin de mejorar la eficiencia de los modelos implementados para la clasificación de cuatro emociones: neutro, feliz, triste y enojado. Particularmente, en este trabajo se realizarón 5 experimentos con el fin de comparar y comprobar si la técnica de aprendizaje por transferencia mejora diferentes métricas de desempeño: I Implementación y evaluación de diferentes redes neuronales convolucionales (VGG-16, AlexNet y LeNet) utilizando la base de datos FER-2013. II Implementación y evaluación de redes neuronales convolucionales (VGG-16, AlexNet y LeNet) utilizando la base de datos Cohn-Kanade. III Implementación y evaluación de aprendizaje por transferencia desde los modelos creados con la base de datos FER-2013 para la clasificación de Cohn-Kanade. IV Implementación y comparación de métodos clásicos de clasificación como: máquinas de soporte vectorial (del inglés, Support Vector Machines, SVM), bosques aleatorios (del inglés, Random Forest, RF) y el algoritmo de aumento de gradiente extremo (del inglés, Extreme Gradient Boosting, XGBoost) a partir de representaciones intermedias obtenidas de las CNNs usando la técnica de triple pérdida. V Clasificación biclase a partir del plano de Arousal y Valencia, utilizando métodos clásicos sobre la base de datos Cohn-Kanade. En general los resultados muestran para los distintos experimentos realizados que la técnica de aprendizaje por transferencia incrementa el desempeño de la clasificación de emociones en rostros de personas en comparación a modelos entrenados desde cero. Al igual, se puede observar que la técnica triple pérdida en conjunto con métodos de clasificación clásicos, logran resultados comparables a los obtenidos a partir de redes neuronales profundas.48application/pdfspainfo:eu-repo/semantics/draftinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/redcol/resource_type/TPTesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/co/http://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-sa/4.0/Aprendizaje por transferencia usando redes neuronales convolucionales para la clasificación de emociones en rostrosGrupo de Investigación en Telecomunicaciones Aplicadas (GITA)Medellín - ColombiaInteligencia artificialArtificial intelligenceTransferencia de informaciónInformation transferCanales de comunicaciónCommunication channelsPersonalidad y emocionesPersonality and emotionshttp://vocabularies.unesco.org/thesaurus/concept3052Ingeniero de TelecomunicacionesPregradoFacultad de Ingeniería. Ingeniería de TelecomunicacionesUniversidad de AntioquiaORIGINALFlorezMarco_2022_EmocionTransferenciaRedes.pdfFlorezMarco_2022_EmocionTransferenciaRedes.pdfTrabajo de grado de pregradoapplication/pdf1615324https://bibliotecadigital.udea.edu.co/bitstream/10495/31908/1/FlorezMarco_2022_EmocionTransferenciaRedes.pdfee90823b949e91537dfb03b7e04322e3MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81051https://bibliotecadigital.udea.edu.co/bitstream/10495/31908/2/license_rdfe2060682c9c70d4d30c83c51448f4eedMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstream/10495/31908/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5310495/31908oai:bibliotecadigital.udea.edu.co:10495/319082022-11-08 17:08:23.255Repositorio Institucional Universidad de Antioquiaandres.perez@udea.edu.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 |