Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware

Detalhes bibliográficos
Autor(a) principal: Garcia, Lucas Henz
Data de Publicação: 2021
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/234173
Resumo: O uso de redes neurais convolucionais na detecção de emoções através da expressão facial (FER, do inglês Facial Emotion Recognizer) em sistemas com recursos limitados de hardware é uma opção viável por aliar assertividade e sistemas finais com baixa complexidade de uso. A presente pesquisa detalha a análise estatística de seis topologias de código aberto com métricas de assertividade e de número de parâmetros utilizados, com e sem estratégia de Data Augmentation, e descreve o projeto de implementação de um detector de emoções baseado na arquitetura com melhor desempenho em um Raspberry Pi com câmera. Em adição, a rede foi simplificada e comprimida, através de poda computacional, utilizando esparsidade constante, e de quantização com alcance dinâmico. A estrutura apresentou como resultado uma assertividade média de 68,5% para a base de dados FER-2013, utilizando 398.000 parâmetros (70% de esparsidade), com latência média de 168 ms e tamanho médio de 663.255 bytes, sendo capaz de classificar todas as emoções do espectro de Ekman em tempo real.
id UFRGS-2_86803a1d09004f21ec383c45f93fe7c0
oai_identifier_str oai:www.lume.ufrgs.br:10183/234173
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Garcia, Lucas HenzWeber, Tiago Oliveira2022-01-19T04:36:24Z2021http://hdl.handle.net/10183/234173001134980O uso de redes neurais convolucionais na detecção de emoções através da expressão facial (FER, do inglês Facial Emotion Recognizer) em sistemas com recursos limitados de hardware é uma opção viável por aliar assertividade e sistemas finais com baixa complexidade de uso. A presente pesquisa detalha a análise estatística de seis topologias de código aberto com métricas de assertividade e de número de parâmetros utilizados, com e sem estratégia de Data Augmentation, e descreve o projeto de implementação de um detector de emoções baseado na arquitetura com melhor desempenho em um Raspberry Pi com câmera. Em adição, a rede foi simplificada e comprimida, através de poda computacional, utilizando esparsidade constante, e de quantização com alcance dinâmico. A estrutura apresentou como resultado uma assertividade média de 68,5% para a base de dados FER-2013, utilizando 398.000 parâmetros (70% de esparsidade), com latência média de 168 ms e tamanho médio de 663.255 bytes, sendo capaz de classificar todas as emoções do espectro de Ekman em tempo real.The use of convolutional neural networks to detect emotions through facial expression (FER) in systems with limited resources is a viable option for combining assertiveness and final systems with low complexity of use. This research details the statistical analysis of six open source topologies with metrics of assertiveness and number of parameters used, with and without Data Augmentation strategy, and describes the implementation project of an emotion detector based on the architecture with the best performance in a Raspberry Pi with camera. In addition, the network was simplified and compressed, through pruning, using constant sparsity, and quantization with dynamic range. The structure presented as a result an average assertiveness of 68.5% for the FER-2013 database, using 398,000 parameters (70% sparsity), with an average latency of 168 ms and an average size of 663,255 bytes, being able to classify all emotions in real-time of the Ekman spectrum.application/pdfporReconhecimento facialEmoçõesRedes neuraisConvolutional networksPruningQuantizationRaspberry PiDetecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardwareinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2021Engenharia Elétricagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001134980.pdf.txt001134980.pdf.txtExtracted Texttext/plain94569http://www.lume.ufrgs.br/bitstream/10183/234173/2/001134980.pdf.txtff64983a7f1babea6704d10c28e18ee8MD52ORIGINAL001134980.pdfTexto completoapplication/pdf3686448http://www.lume.ufrgs.br/bitstream/10183/234173/1/001134980.pdf8054249af6d995df25369ee009c9bb7fMD5110183/2341732022-02-22 04:52:07.639297oai:www.lume.ufrgs.br:10183/234173Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-02-22T07:52:07Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware
title Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware
spellingShingle Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware
Garcia, Lucas Henz
Reconhecimento facial
Emoções
Redes neurais
Convolutional networks
Pruning
Quantization
Raspberry Pi
title_short Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware
title_full Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware
title_fullStr Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware
title_full_unstemmed Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware
title_sort Detecção de emoções utilizando redes neurais convolucionais em sistemas com recursos limitados de hardware
author Garcia, Lucas Henz
author_facet Garcia, Lucas Henz
author_role author
dc.contributor.author.fl_str_mv Garcia, Lucas Henz
dc.contributor.advisor1.fl_str_mv Weber, Tiago Oliveira
contributor_str_mv Weber, Tiago Oliveira
dc.subject.por.fl_str_mv Reconhecimento facial
Emoções
Redes neurais
topic Reconhecimento facial
Emoções
Redes neurais
Convolutional networks
Pruning
Quantization
Raspberry Pi
dc.subject.eng.fl_str_mv Convolutional networks
Pruning
Quantization
Raspberry Pi
description O uso de redes neurais convolucionais na detecção de emoções através da expressão facial (FER, do inglês Facial Emotion Recognizer) em sistemas com recursos limitados de hardware é uma opção viável por aliar assertividade e sistemas finais com baixa complexidade de uso. A presente pesquisa detalha a análise estatística de seis topologias de código aberto com métricas de assertividade e de número de parâmetros utilizados, com e sem estratégia de Data Augmentation, e descreve o projeto de implementação de um detector de emoções baseado na arquitetura com melhor desempenho em um Raspberry Pi com câmera. Em adição, a rede foi simplificada e comprimida, através de poda computacional, utilizando esparsidade constante, e de quantização com alcance dinâmico. A estrutura apresentou como resultado uma assertividade média de 68,5% para a base de dados FER-2013, utilizando 398.000 parâmetros (70% de esparsidade), com latência média de 168 ms e tamanho médio de 663.255 bytes, sendo capaz de classificar todas as emoções do espectro de Ekman em tempo real.
publishDate 2021
dc.date.issued.fl_str_mv 2021
dc.date.accessioned.fl_str_mv 2022-01-19T04:36:24Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/234173
dc.identifier.nrb.pt_BR.fl_str_mv 001134980
url http://hdl.handle.net/10183/234173
identifier_str_mv 001134980
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/234173/2/001134980.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/234173/1/001134980.pdf
bitstream.checksum.fl_str_mv ff64983a7f1babea6704d10c28e18ee8
8054249af6d995df25369ee009c9bb7f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1801224618368827392

Registros relacionados