| Titre : | Reconnaissance multi-dimensionnelle de l’émotion par apprentissage profond des réseaux neuronaux convolution s 3D |
| Auteurs : | AYOUB SEOUDI, Auteur ; Dalila Hattab, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (56 p.) / ill. / 29 cm |
| Langues: | Français |
| Résumé : | L’informatique affective et la reconnaissance des émotions ont montré un intérêt accru pour plusieurs recherches au cours des dernières décennies. Notamment, les expressions faciales sont l’un des moyens les plus puissants pour décrivant des modèles spécifiques dans le comportement humain et décrivant l’état émotionnel humain. Néanmoins même pour l’humain, l’identification des expressions faciales est difficile, et l’expression faciale automatique les systèmes de reconnaissance (FER) basés sur des images ont souvent souffert d’un manque de divers et données d’apprentissage intercultures. Avec le léger passage aux séquences vidéo avec des paramètres dans la nature et une représentation émotionnelle plus complexe telle que des modèles dimensionnels, les systèmes FER profonds a la capacité d’apprendre des caractéristiques plus précises et discriminantes.En outre, la plupart des modèles, basés sur des réseaux neuronaux convolutionnels (CNN) et combinés avec des réseaux neuronaux récurrents (RNNs), ont été proposés pour reconnaître les émotions mais souvent menti sur de courtes séquences vidéo pour les prédictions de modèles catégoriels. Et pourtant, peu d’études sont intéressé par les modèles 3D-CNN pour reconnaître l’émotion et basés sur la représentation multidimensionnelle. De plus, peu de modèles 3D-CNN préentraînés sont actuellement disponibles pour les tâches FER. Ce qui rend le développement de 3D-CNN plus complexe, en ce qui concerne la quantité de disponible données |
| Sommaire : |
Introduction générale
Bibliographies Chapitre 1 : I.1. Introduction 5 I.2. L'Intelligence Artificielle 5 I.3. Apprentissage automatique (Machine Learning) 6 I.3.1. Définition 6 I.3.2. Type d’Apprentissage automatique 7 I.3.2.1. Supervise 7 I.3.2.2. Non supervise 8 I.3.2.3. Par renforcement 8 I.3.2.4. En profondeur 9 I.3.3. Méthodes l’apprentissage automatique 10 I.3.3.1. Les machines à vecteur de support 10 I.3.3.2. La méthode des k plus proches voisins 10 I.3.3.3. Les arbres de décision 11 I.3.3.4. Les méthodes statistiques 12 I.3.3.5. La régression logistique 13 I.3.3.6. Les algorithmes génétiques 14 I.4. Les bases de la reconnaissance des émotions 15 I.4.1. Les bases de données 16 I.4.1.1. Générale 16 I.4.1.2. AffectNet 16 I.4.1.3. Ascertain 16 I.4.1.4. Dreamer 17 I.4.1.5. Extended Cohn-KanadeDataset (CK+)17 I.4.1.6. FER-2013 17 I.4.1.7. EMOTIC 17 I.4.1.8. Google Facial Expression Comparaison 18 I.4.2. Algorithme de reconnaissance facial en général 18 I.4.2.1. Apprentissage profond (Deep Learning) 18 I.4.2.1.1. Définition 18 I.4.2.2. Réseaux de neurones 19 I.4.2.2.1. Historique 19 I.4.2.2.2. Définition 20 I.4.2.2.3. Topologie 21 I.5. Expression faciale 21 I.5.1 Définition 21 I.5.2. Description des six expressions faciales 22 I.6. Domaines d'application des réseaux de neurones 24 Chapitre 2 : II.1. Introduction 26 II.2. Prétraitement 26 II.2.1. Détection des visages 27 II.2.1.1. Générale 27 II.2.1.2. Algorithme de Viola et Jones 27 II.2.2.Extraction des visages 28 II.2.3. Normalisation 29 II.3. En Traitement 30 II.3.1. Architectures profondes pour les approches de reconnaissance faciale 30 II.3.2. L’apprentissage par transfert (Transfer Learning) 31 II.3.3. Méthodes d’apprentissage 3D-CNN 32 II.3.4. Les réseaux de neurones récurrents (RNN) 33 II.3.5. La mémoire à long terme (LSTM) 34 II.3.6. Architecture VGG 34 II.3.7. Méthode 3D-CNN 35 II.3.7.1. Description en général 35 II.3.7.2. Présentation de l’approche 36 III.4. Conclusion 37 Chapitre 3 : III.1. Introduction 40 III.2. Pourquoi les GPU ? 40 III.3. Outils de programmation 40 III.3.1. Anaconda 40 III.3.2. PyCharm 41 III.3.3. Python 42 III.3.4. Google Colab 42 III.3.5. La Base des Données (BDD) 43 III.4. Langage de programmation 43 III.4.1. Python 43 III.5. Bibliothèques utilisées 44 III.5.1. NumPy 44 III.5.2. argparse 44 III.5.3. matplotlib.pyplot 45 III.5.4. TensorFlow 45 III.5.4.1. Keras 45 III.5.5. openCV 46 III.6. Implémentation 46 III.6.1. Générale 46 III.6.1. Architecture 47 III.7. Résultat 48 III.8. Conclusion 50 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/686 | Mémoire master | bibliothèque sciences exactes | Consultable |
