دانلود مقاله بهینه سازی اصلاح شده کرم خاکی با تشخیص احساسات با یادگیری عمیق برای رابط کامپیوتر انسانی
خلاصه
مقدمه
II. کارهای مرتبط
III. مدل پیشنهادی
IV. اعتبار سنجی تجربی
نتیجه گیری
منابع
Abstract
I. Introduction
II. Related Works
III. The Proposed Model
IV. Experimental Validation
V. Conclusion
References
چکیده
یکی از برجسته ترین زمینه ها در رابط انسان و کامپیوتر (HCI) تشخیص احساسات با استفاده از حالات چهره است. تغییرات ظاهری، لوازم جانبی صورت، و نورهای غیر یکنواخت برخی از مشکلات در زمینه تشخیص احساسات هستند. تشخیص احساسات با کمک روش های سنتی نقص بهینه سازی متقابل استخراج و طبقه بندی ویژگی ها را دارد. فناوری بینایی رایانه (CV) با تجسم دنیای طبیعی در یک پلت فرم دیجیتال مانند مغز انسان، HCI را بهبود می بخشد. در تکنیک CV، پیشرفت‌ها در یادگیری ماشین و هوش مصنوعی منجر به پیشرفت‌ها و تغییرات بیشتر می‌شود که تجسم بهتر و پایدارتری را تضمین می‌کند. این مطالعه یک بهینه سازی اصلاح شده کرم خاکی با تشخیص احساسات به کمک یادگیری عمیق (MEWODL-ER) برای کاربردهای HCI ایجاد می کند. تکنیک ارائه شده MEWODL-ER قصد دارد انواع مختلفی از احساسات را که در برنامه های کاربردی HCI وجود دارد، دسته بندی کند. برای انجام این کار، تکنیک MEWODL-ER ارائه شده از مدل GoogleNet برای استخراج بردارهای ویژگی استفاده می‌کند و فرآیند تنظیم فراپارامتر از طریق الگوریتم MEWO انجام می‌شود. طراحی تنظیم خودکار فراپارامتر با استفاده از الگوریتم MEWO به دستیابی به فرآیند تشخیص احساسات بهبود یافته کمک می کند. در نهایت، مدل رمزگذار خودکار کوانتومی (QAE) برای شناسایی و طبقه‌بندی احساسات مربوط به کاربردهای HCI پیاده‌سازی می‌شود. برای نمایش نتایج تشخیص پیشرفته رویکرد MEWODL-ER، یک تحلیل شبیه‌سازی گسترده انجام می‌شود. مقادیر تجربی نشان داد که تکنیک MEWODL-ER عملکرد امیدوارکننده‌ای را نسبت به مدل‌های دیگر با حداکثر دقت 98.91 درصد انجام می‌دهد.
Abstract
Among the most prominent field in the human-computer interface (HCI) is emotion recognition using facial expressions. Posed variations, facial accessories, and non-uniform illuminations are some of the difficulties in the emotion recognition field. Emotion detection with the help of traditional methods has the shortcoming of mutual optimization of feature extraction and classification. Computer vision (CV) technology improves HCI by visualizing the natural world in a digital platform like the human brain. In CV technique, advances in machine learning and artificial intelligence result in further enhancements and changes, which ensures an improved and more stable visualization. This study develops a new Modified Earthworm Optimization with Deep Learning Assisted Emotion Recognition (MEWODL-ER) for HCI applications. The presented MEWODL-ER technique intends to categorize different kinds of emotions that exist in the HCI applications. To do so, the presented MEWODL-ER technique employs the GoogleNet model to extract feature vectors and the hyperparameter tuning process is performed via the MEWO algorithm. The design of automated hyperparameter adjustment using the MEWO algorithm helps in attaining an improved emotion recognition process. Finally, the quantum autoencoder (QAE) model is implemented for the identification and classification of emotions related to the HCI applications. To exhibit the enhanced recognition results of the MEWODL-ER approach, a wide-ranging simulation analysis is performed. The experimental values indicated that the MEWODL-ER technique accomplishes promising performance over other models with maximum accuracy of 98.91%.
Introduction
Since people have become more informed, they need a high level of computer intelligence [1], [2]. Human-computer interaction (HCI) is not limited to original hardware-related communication. Certain smarter communication techniques are appearing gradually in the life of people like a sequence of more intellectual techniques relevant to voice recognition [3], face recognition, and gesture recognition. Intellectual mechanisms can help establish interactions between computers and humans [4], [5]. The advent of more convenient communication techniques is becoming a major advancement trend in the current domain of HCI. The objective of HCI development was naturally to make computers adapt and serve the requirements of individuals [6].
People-centred instead of compelling persons to adapt to computers. Emotions had a main role during the interaction. Detection of facial emotions will be helpful in several tasks like social robots, criminal justice systems, security monitoring, customer satisfaction identification, smart card applications, e-learning, etc [7], [8]. The core blocks in the conventional emotion recognition mechanism were classifying the emotions, detecting faces, and extracting the features [9].
Conclusion
In this study, a novel MEWODL-ER method was introduced for emotion classification in the HCI applications. The presented MEWODL-ER algorithm is intended for the identification of various types of emotions that exist in the HCI applications. The proposed model follows a three stage process namely GoogleNet feature extraction, MEWO based hyperparameter tuning, and QAE classification. The design of automated hyperparameter adjustment using the MEWO algorithm helps in attaining an improved emotion recognition process. To show the enhanced recognition results of the MEWODL-ER approach, a wide-ranging simulation analysis is done. The experimental values indicated that the MEWODL-ER technique accomplishes promising performance over other models with higher accuracy of 98.91%. In the future, the efficiency of the MEWODL-ER algorithm will be boosted by hybrid DL classifiers.