Accueil > Documentations scientifiques > Revues récentes > Mada-ETI > Archives > Volume 2, 2020 > CONTRIBUTION A L’ETUDE DE L’APPRENTISSAGE D’ENSEMBLE AVEC DES SOUS MODELES (...)

• 
  CONTRIBUTION A L’ETUDE DE L’APPRENTISSAGE D’ENSEMBLE AVEC DES SOUS MODELES HYBRIDES CNN_SIFT ET CNN_D SIFT APPLIQUEE A LA RECONNAISSANCE DE L’EXPRESSION FACIALE
  Mada-ETI, 2020, vol 2, page 344-353

  Auteurs : RABARIJAONA E.S., RANDRIAMITANTSOA P.A.

  Mots clés : reconnaissance des expressions faciales, CNN, dense SIFT, SIFT
  
  

  FR :
  L’extraction des composants efficaces pour la reconnaissance de l’expression faciale est importante pour un système d’interaction homme-machine réussi. Néanmoins, reconnaître l’expression du visage reste une tâche difficile. Ce mémoire décrit une nouvelle approche de la tâche de reconnaissance des expressions faciales qui favorise l’obtention d’une bonne précision avec peu de données de formation. La méthode proposée est motivée par le succès des réseaux de neurones convolutif sur le problème de classification d’image. Et puisque SIFT et Dense SIFT ne nécessite pas de données d’entraînement approfondies pour générer des fonctionnalités utiles. Nous avons fusionné les deux méthodes pour former des modèles hybrides. De plus, les modèles hybrides sont combinés avec deux autres modèles CNN. Le modèle combiné est testé sur un ensemble de test de Fer2013. Les résultats démontrent la supériorité de CNN_SIFT sur CNN_D SIFT et les CNN conventionnels. La précision a même augmenté lorsque tous les modèles sont combinés, ce qui génère des résultats de pointe où elle a atteint une précision de 72.89 %.

  EN :
  Extracting effective components for facial expression recognition is important for a successful human-machine interaction system. Nevertheless, recognizing facial expression remains a difficult task. This thesis describes a new approach to the task of facial expression recognition that promotes good accuracy with little training data. The proposed method is motivated by the success of convolutional neural networks on the image classification problem. And since SIFT and Fast SIFT do not require extensive training data to generate useful features. We merged them with both methods to form hybrid models. In addition, the hybrid models are combined with two other CNN models. The combined model is tested on a test set of Fer2013. The results demonstrate the superiority of CNN_SIFT over CNN_D SIFT and conventional CNNs. Accuracy even increased when all models were combined, generating peak results where it reached an accuracy of 72.89%.

  Télécharger