Συναισθηματική ανάλυση πινάκων με χρήση μηχανικής μάθησης
Loading...
Date
2025-02-19
Authors
Νταής, Χρήστος Λουκάς
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία αναφέρεται στη συσχέτιση μεταξύ χρωμάτων και συναισθημάτων στην τέχνη, με απώτερο σκοπό την ανάπτυξη ενός συστήματος μηχανικής μάθησης ικανού να προβλέπει το συναισθηματικό περιεχόμενο ενός πίνακα ζωγραφικής βασισμένο στα αντιπροσωπευτικά χρώματά του. Αρχικά, διεξάχθηκε βιβλιογραφική έρευνα για την κατανόηση του τρόπου με τον οποίο τα χρώματα επηρεάζουν τα συναισθήματα, με βασικό σημείο αναφοράς την έρευνα του ψυχολόγου Kobayashi, η οποία συνδέει συγκεκριμένους συνδυασμούς τριών χρωμάτων με λέξεις που αποτυπώνουν συναισθήματα. Η μεθοδολογία που εφαρμόστηκε περιελάμβανε την αναγνώριση των τριών αντιπροσωπευτικών χρωμάτων ενός πίνακα ζωγραφικής με χρήση του αλγορίθμου ομαδοποίησης K-means. Στη συνέχεια, βασιζόμενοι στην έρευνα του Kobayashi, δημιουργήθηκε το αρχικό σύνολο δεδομένων, το οποίο περιλάμβανε αντιστοιχίσεις μεταξύ συνδυασμών τριών χρωμάτων και λέξεων που περιγράφουν συναισθήματα. Οι αλγόριθμοι SVM, MLP και Random Forest επιλέχθηκαν ως υποψήφιοι για την εκπαίδευση του μοντέλου που θα προβλέπει ένα συναίσθημα από έναν συνδυασμό τριών χρωμάτων, καθώς κρίθηκαν κατάλληλοι για προβλήματα κατηγοριοποίησης πολλαπλών κατηγοριών (mulclass), και ικανοί να χειριστούν δεδομένα υψηλής διάστασης και μη γραμμικές σχέσεις. Για τη διαχείριση της ανισορροπίας των δειγμάτων μεταξύ των κλάσεων και την αύξηση του μεγέθους του συνόλου δεδομένων για την εκπαίδευση του μοντέλου εφαρμόστηκαν τεχνικές oversampling, όπως η μέθοδος SMOTETomek. Οι αλγόριθμοι αξιολογήθηκαν βάσει μετρήσεων όπως η ακρίβεια, η ανάκληση και το F1-score. Για την αποφυγή υπερπροσαρμογής και τη διασφάλιση αξιόπιστων αποτελεσμάτων, εφαρμόστηκε η μέθοδος Strafied K-Fold Cross-Validaon. Επιπλέον, ρυθμίστηκαν οι υπερπαράμετροι των μοντέλων μέσω Grid Search και Randomized Search για τη βελτιστοποίηση της απόδοσής τους. Τα αποτελέσματα έδειξαν ότι το μοντέλο MLP αναδείχθηκε ως το πιο ιδανικό καθώς πέτυχε τις υψηλότερες μετρήσεις αξιολόγησης με τιμή ακρίβειας (Test Accuracy) 95,44% και τα άλλα δύο μοντέλα SVM και Random Forest με τιμές 94,48% και 87,82% αντίστοιχα. Τέλος, δημιουργήθηκε διαδικτυακή εφαρμογή, η οποία επιτρέπει την πρόβλεψη του συναισθήματος μιας εικόνας με βάση τα τρία βασικά της χρώματα. Η εργασία αποτελεί μια πρωτοποριακή προσέγγιση στη μελέτη της σχέσης μεταξύ χρωματικής σύνθεσης και συναισθηματικής αντίδρασης, συμβάλλοντας ουσιαστικά στις πρακτικές εφαρμογές της τεχνητής νοημοσύνης στον τομέα της τέχνης.
Description
Keywords
Μηχανική μάθηση, Κατηγοριοποίηση συναισθημάτων