Please use this identifier to cite or link to this item:
Title: Ανάλυση μικρο-εκφράσεων με χρήση νευρωνικών δικτύων
Other Titles: Micro-expression analysis using deep learning techniques
Authors: Διονυσόπουλος, Φώτιος
Keywords: Μίκρο εκφράσεις
Νευρωνικά δίκτυα
Keywords (translated): Micro expression
Neural networks
Abstract: Σκοπός αυτής της διπλωματικής εργασίας είναι να γίνει κατηγοριοποίηση των μικρο-εκφράσεων με χρήση με χρήση αλγορίθμων μηχανικής εκμάθησης που ανήκουν στην οικογένεια των Νευρωνικών Δικτύων. Πιο συγκεκριμένα, το σύνολο δεδομένων (dataset) που χρησημοποιήθηκε ήταν το SMIC - Spontaneous Micro-expression Database και τα νευρωνικά μοντέλα που υλοποιήθηκαν ήταν τα CNN (Convolutional Neural Networks), RNN (Recurrent Neural Networks) καθώς και τα LSTM (Long Short Term Memory) τα οποία ανήκουν επίσης στην κατηγορία των RNN δικτύων. Αρχικά, παρουσιάζεται το θεωρητικό υπόβαθρο με βάση το οποίο λειτουργούν και εκπαιδεύονται οι αλγόριθμοι των παραπάνω νευρωνικών δικτύων. Έπειτα, γίνεται αναφορά στις λεπτομέρεις του dataset και την διαδικασία της προ-επεξεργασίας των δεδομένων έτσι ώστε να μπορούν να χρησημοποιηθούν με τον πιο σωστό και αποτελεσματικό τρόπο κατά την εκπαίδευση των δικτύων. Έπειτα παρουσιάζεται η διαδικασία εκπαίδευσης και υλοποίησης σε προγραμματιστικό επίπεδο των δικτύων με το dataset και τέλος, γίνεται αναφορά στα συμπεράσματα από την εκπαίδευση και τις επιδόσεις των νευρωνικών μοντέλων.
Abstract (translated): The aim of this diploma thesis is to classify micro-expressions by using Neural Network algorithms. In particular, the dataset used was the SMIC - Spontaneous Micro-expression Database and the neural models implemented were CNN (Convolutional Neural Networks), RNN (Recurrent Neural Networks) and LSTM (Long Short Term Memory ) which also belong to the category of RNN networks. Initially, the theoretical background is presented based on which the algorithms of the above neural networks are operated and trained. Next, reference is made to the details of the dataset and the process of pre-processing the data so that it can be used in the most correct and effective way in network training. Next, the process of training and implementation at the programming level of the networks with the dataset is presented, and finally, the conclusions from the training and performance of the neural models are presented.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Dionysopoulos(com).pdf6.58 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.