KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2009 / Cilt: 24 - Sayı: 1

YÜZ İFADE ANALİZİNDE ÖZNİTELİK SEÇİMİ VE ÇOKLU SVM SINIFLANDIRICILARINA ETKİSİ

Turan GÜNEŞ
Ediz POLAT
Sayfa
0
Yayın Tarihi
2013-02-13
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca öznitelik seçimi yapılmadan alınan sınıflandırma başarım sonuçları da incelendiğinde, öznitelik seçiminin sınıflandırma doğruluğunun artması yönünde genel olarak büyük etkisinin olduğu görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yüz ifadeleri, insan ilişkilerinde anlam bütünlüğünün sağlanması için büyük rol oynayan, sözlü olmayan işaretlerdir.
📊
Temel Bulgular & Veri:Bu çalışmada, insanın içinde bulunabileceği 7 ifade durumunun (öfke, iğrenme, korku, mutluluk, ifadesizlik, üzüntü ve şaşkınlık) analizi gerçekleştirilmiştir.
💡
Sonuç & Katkı:Ayrıca öznitelik seçimi yapılmadan alınan sınıflandırma başarım sonuçları da incelendiğinde, öznitelik seçiminin sınıflandırma doğruluğunun artması yönünde genel olarak büyük etkisinin olduğu görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yüz ifade analizi · öznitelik çıkartma · Gabor filtresi

Özet

Yüz ifadeleri, insan ilişkilerinde anlam bütünlüğünün sağlanması için büyük rol oynayan, sözlü olmayan işaretlerdir. İnsanoğlu yüz ifadelerini kavramada herhangi bir zorluk çekmezken, bu durum makineler için geçerli olmayıp, halen güvenilir ifade tanıma sistemleri üzerinde araştırmalar yapılmaktadır. Bu çalışmada, insanın içinde bulunabileceği 7 ifade durumunun (öfke, iğrenme, korku, mutluluk, ifadesizlik, üzüntü ve şaşkınlık) analizi gerçekleştirilmiştir. Bu amaçla, her bir ifade için alınan sabit görüntülerin öznitelikleri Gabor filtreleri kullanılarak çıkartılmış ve farklı öznitelik seçme algoritmaları kullanılarak ifadeleri temsil eden en iyi öznitelik kümeleri oluşturulmuştur. Seçilen öznitelik kümelerinin çoklu SVM (Support Vector Machines-Destek Vektör Makineleri) sınıflandırıcıları üzerindeki etkileri incelenmiş ve sınıflandırma doğruluklarının kullanılan öznitelik seçme algoritmalarına göre nasıl değiştiği karşılaştırmalı olarak değerlendirilmiştir. Çoklu sınıflandırma yapılması amacıyla SVM, One-Vs-One, One-Vs-Rest ve MC-SVM olmak üzere 3 farklı yaklaşım ile birlikte kullanılmıştır. Ayrıca öznitelik seçimi yapılmadan alınan sınıflandırma başarım sonuçları da incelendiğinde, öznitelik seçiminin sınıflandırma doğruluğunun artması yönünde genel olarak büyük etkisinin olduğu görülmüştür.

🔖

Bu Makaleye Atıf Yap

GÜNEŞ, T., POLAT, E. (2013). YÜZ İFADE ANALİZİNDE ÖZNİTELİK SEÇİMİ VE ÇOKLU SVM SINIFLANDIRICILARINA ETKİSİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 24 - Sayı: 1, 0. https://ajindex.com/articles/20836

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Donato, G., Bartlett, M.S., Hager, J.C., Ekman, P. ve Sejnowski, T.J., “Classifying Facial Actions”, IEEE Trans. Pattern Analysis and Machine Intelligence, Cilt 21, No 10, 974-989, 1999.
  2. Mehrabian, A., “Communication without Words”, Psychology Today, Cilt 2, No 4, 53-56, 1968.
  3. Darwin, C., The Expression of the Emotions in Man and Animals, J. Murray, London, 1872. Ekman, P. ve Friesen, W.V., “Constants Across Cultures in the Face and Emotion”, Journal of Personality and Social Psychology, Cilt 17, No, 124-129, 1971.
  4. Chibelushi, C. C. ve Bourel, F., “Facial Expression Recognition: A Brief Tutorial Overview”, 2002.
  5. Pantic, M. ve Rothkrantz, L.J.M., “Automatic Analysis of Facial Expressions: The State of Art”, IEEE Trans. on PAMI, Cilt 22, No 12, 1424-1445, 2000.
  6. Kotsia, I. ve Pitas, I., “Real Time Facial Expression Recognition from Image Sequences using Support Vector Machines”, Visual Communications and Image Processing, China, 2005.
  7. Otsuka, T. ve Ohya, J., “Spotting Segments Displaying Facial Expressions from Image Sequences Using HMM”, IEEE Proc. International Conf. on FG, Japan, 442-447, - Bartlett, M.S., Littlewort, G., Fasel, I., Susskind, J. ve Movellan, J., “Dynamics of Facial Expression Extracted Automatically from Video”, Image and Vision Computing, Cilt 24, No 6, 615-625, 2006. http://en.wikipedia.org/wiki/Gabor_filter
  8. Jain, A. K., Duin, R. P. W. Ve Mao, J., “Statistical Pattern Recognition: A Review”, IEEE Trans. Pattern Analysis and Machine Intelligence, Cilt 22, No 1, 4-37, 2000.
  9. Kohavi, R. ve John, G., “Wrapper for feature subset selection”, Artificial Intelligence, Cilt 97, 273-324, 1997. http://www.idiap.ch/~bengio/lectures/old/tex _feat_sel.pdf Weston, J., Elisseeff, A., Bakır, G. ve Sinz, F., “The Spider”, http://www. kyb. tuebingen. mpg. de/bs/people/spider, 2004.
  10. Weston, J., Elisseeff, A., Schölkopf, B. ve Tipping, M., “Use of the Zero-Norm with Linear Models and Kernel Methods”, Journal of Machine Learning Research, 3, 1439-1461, 2003.
  11. Guyon, I., Weston, J., Barnhill, S. ve Vapnik, V., “Gene selection for cancer classification using support vector machines”, Machine Learning, 2001.
  12. Zaffalon, M. ve Hutter, M., “Robust Feature Selection by Mutual Information Distributions”, Proceedings of the 18th International Conference on Uncertainty in Artificial Intelligence, 2002.
  13. Kanade, T., Cohn, J. F. ve Tian, Y., “Comprehensive Database for Facial Expression Analysis”, 4th Int. Conf. on Automatic Face and Gesture Recognition, France, 46-53, 200