Echtzeit-Erkennung von Emotionen durch neuronale Netze und Machine Learning. Evaluation verschiedener Verfahren

Inhaltsverzeichnis

• 1 Einleitung
• 1.1 Ausgangssituation
• 1.2 Motivation und Zielsetzung
• 1.3 Gliederung
• 2 Theoretische Grundlagen
• 2.1 Psychologischer Aspekt
• 2.2 Anwendungsgebiete
• 2.3 Herausforderungen
• 3 Grundlagen künstlicher Intelligenz
• 3.1 Geschichte
• 3.2 Schwierigkeiten der Definition
• 3.3 Unterscheidung Machine Learning und künstliche Intelligenz
• 3.4 Drei Stufen der künstlichen Intelligenz
• 3.5 Machine Learning
• 3.5.1 Supervised und Unsupervised Learning
• 3.5.2 Reinforcement Learning
• 3.5.3 Ensemble Learning
• 3.6 Neuronale Netzwerke und Deep Learning
• 3.6.1 Allgemeiner Aufbau
• 3.6.2 Funktionsweise der Neuronen
• 3.6.3 Trainingsphase
• 3.6.4 Architekturen
• 3.6.4.1 Artificial Neural Network
• 3.6.4.2 Convolution Neural Network
• 3.6.4.3 Recurrent Neural Networks
• 3.7 Programmiersprache und Framework
• 4 Implementierung und Evaluierung
• 4.1 Datenbanken
• 4.1.1 Real-world Affective Faces Database
• 4.1.2 Facial Expression Research Group 2D
• 4.1.3 AffectNet
• 4.1.4 GoogleCC0
• 4.1.5 Japanese Female Facial Expression
• 4.1.6 Facial Expression Recognition 2013
• 4.2 Trainingsklasse
• 4.3 Hardware
• 4.4 Modelle
• 4.4.1 DeepEmotion
• 4.4.2 Distract Your Attention
• 4.4.3 Deep Attentive Center Loss
• 4.4.4 BasicNet
• 4.5 Gesamtergebnis
• 5 Entwicklung der Webanwendung
• 5.1 Frontend
• 5.2 Backend
• 5.3 Deploy
• 6 Schluss
• 6.1 Diskussion
• 6.2 Ausblick

Zielsetzung und Themenschwerpunkte

Diese Bachelorarbeit evaluiert verschiedene Verfahren zur Echtzeit-Erkennung von Emotionen anhand neuronaler Netze und Machine Learning. Ziel ist die Aufdeckung leistungsfähiger State-of-the-Art-Architekturen, deren detaillierte Analyse und Testung durch eigene Implementierung. Die Evaluierung erfolgt anhand verschiedener Datensätze und Bewertungsmaßstäbe, um das normative Bewertungsverfahren im Bereich des maschinellen Lernens zu erweitern. Zusätzlich wird eine Webanwendung zur Echtzeit-Erprobung der Modelle implementiert.

• Psychologische Grundlagen der Emotionserkennung
• Grundlagen der künstlichen Intelligenz und neuronaler Netze
• Evaluierung verschiedener State-of-the-Art Architekturen zur Emotionserkennung
• Entwicklung einer Webanwendung zur Echtzeit-Demonstration der Modelle
• Vergleich der Leistungsfähigkeit verschiedener Modelle und Datenbanken

Zusammenfassung der Kapitel

1 Einleitung: Die Einleitung stellt die Ausgangssituation der zunehmenden Mensch-Maschine-Interaktion und die Bedeutung der Emotionserkennung in diesem Kontext dar. Sie begründet die Notwendigkeit leistungsfähiger Emotionserkennungssysteme und beschreibt die Zielsetzung der Arbeit: die Evaluierung von State-of-the-art-Modellen und die Entwicklung einer Webanwendung. Die Gliederung der Arbeit wird ebenfalls vorgestellt.

2 Theoretische Grundlagen: Dieses Kapitel behandelt die psychologischen Aspekte der Emotionserkennung, analysiert die Beziehung zwischen emotionalem Zustand und Gesichtsausdruck, und erläutert die relevanten Faktoren für die Emotionserkennung. Es werden Anwendungsgebiete der Emotionserkennung aufgezeigt und die Herausforderungen für die Forschung diskutiert, darunter kulturelle Unterschiede im Emotionsausdruck.

3 Grundlagen künstlicher Intelligenz: Das Kapitel gibt einen historischen Überblick über die Entwicklung der künstlichen Intelligenz, beleuchtet die Schwierigkeiten bei deren Definition und unterscheidet zwischen künstlicher Intelligenz, Machine Learning und Data Science. Es beschreibt die drei Stufen der künstlichen Intelligenz (schwach, allgemein, super) und erklärt detailliert die Funktionsweise neuronaler Netze und Deep Learning, inklusive verschiedener Architekturen (ANN, CNN, RNN) und Trainingsphasen.

4 Implementierung und Evaluierung: Dieses Kapitel beschreibt die Implementierung und Evaluierung von vier Modellen zur Emotionserkennung. Es werden verschiedene Datenbanken vorgestellt und deren Eigenschaften erläutert. Es werden die verwendeten Hardware-Ressourcen (GPU-Server) und die entwickelte Trainingsklasse zur effizienten Modellentwicklung beschrieben. Die Ergebnisse der Evaluierung der vier Modelle (DeepEmotion, DAN, DACL, BasicNet) werden präsentiert und verglichen, inklusive einer Diskussion der Ergebnisse und möglicher Fehlerquellen.

5 Entwicklung der Webanwendung: Dieses Kapitel beschreibt die Entwicklung einer Webanwendung zur Echtzeit-Demonstration der trainierten Modelle. Es erläutert die Architektur des Frontends (HTML, JavaScript, CSS) und des Backends (Flask), die Server-Client-Kommunikation und die Bereitstellung der Anwendung in der Cloud. Die Herausforderungen bei der Bereitstellung einer effizienten und kostengünstigen Webanwendung werden diskutiert.

Schlüsselwörter

Emotionserkennung, Neuronale Netze, Deep Learning, Convolutional Neural Networks, Machine Learning, Gesichtsausdruck, Echtzeitverarbeitung, Webanwendung, Datenbank, Evaluierung, State-of-the-art, Accuracy, Validierung.

Häufig gestellte Fragen

Was ist der Inhalt der Bachelorarbeit?

Die Bachelorarbeit evaluiert verschiedene Verfahren zur Echtzeit-Erkennung von Emotionen mithilfe neuronaler Netze und Machine Learning. Ziel ist die Aufdeckung leistungsstarker State-of-the-Art-Architekturen, deren detaillierte Analyse und Testung durch eigene Implementierung. Die Evaluierung erfolgt anhand verschiedener Datensätze und Bewertungsmaßstäbe, um das normative Bewertungsverfahren im Bereich des maschinellen Lernens zu erweitern. Zusätzlich wird eine Webanwendung zur Echtzeit-Erprobung der Modelle implementiert.

Welche Themenschwerpunkte werden in der Arbeit behandelt?

Die Arbeit behandelt folgende Themenschwerpunkte:

• Psychologische Grundlagen der Emotionserkennung
• Grundlagen der künstlichen Intelligenz und neuronaler Netze
• Evaluierung verschiedener State-of-the-Art Architekturen zur Emotionserkennung
• Entwicklung einer Webanwendung zur Echtzeit-Demonstration der Modelle
• Vergleich der Leistungsfähigkeit verschiedener Modelle und Datenbanken

Was ist das Ziel der Einleitung?

Die Einleitung stellt die Ausgangssituation der zunehmenden Mensch-Maschine-Interaktion und die Bedeutung der Emotionserkennung in diesem Kontext dar. Sie begründet die Notwendigkeit leistungsfähiger Emotionserkennungssysteme und beschreibt die Zielsetzung der Arbeit: die Evaluierung von State-of-the-art-Modellen und die Entwicklung einer Webanwendung. Die Gliederung der Arbeit wird ebenfalls vorgestellt.

Was wird im Kapitel "Theoretische Grundlagen" behandelt?

Dieses Kapitel behandelt die psychologischen Aspekte der Emotionserkennung, analysiert die Beziehung zwischen emotionalem Zustand und Gesichtsausdruck, und erläutert die relevanten Faktoren für die Emotionserkennung. Es werden Anwendungsgebiete der Emotionserkennung aufgezeigt und die Herausforderungen für die Forschung diskutiert, darunter kulturelle Unterschiede im Emotionsausdruck.

Was ist der Inhalt des Kapitels "Grundlagen künstlicher Intelligenz"?

Das Kapitel gibt einen historischen Überblick über die Entwicklung der künstlichen Intelligenz, beleuchtet die Schwierigkeiten bei deren Definition und unterscheidet zwischen künstlicher Intelligenz, Machine Learning und Data Science. Es beschreibt die drei Stufen der künstlichen Intelligenz (schwach, allgemein, super) und erklärt detailliert die Funktionsweise neuronaler Netze und Deep Learning, inklusive verschiedener Architekturen (ANN, CNN, RNN) und Trainingsphasen.

Was wird im Kapitel "Implementierung und Evaluierung" beschrieben?

Dieses Kapitel beschreibt die Implementierung und Evaluierung von vier Modellen zur Emotionserkennung. Es werden verschiedene Datenbanken vorgestellt und deren Eigenschaften erläutert. Es werden die verwendeten Hardware-Ressourcen (GPU-Server) und die entwickelte Trainingsklasse zur effizienten Modellentwicklung beschrieben. Die Ergebnisse der Evaluierung der vier Modelle (DeepEmotion, DAN, DACL, BasicNet) werden präsentiert und verglichen, inklusive einer Diskussion der Ergebnisse und möglicher Fehlerquellen.

Was beinhaltet die Entwicklung der Webanwendung?

Dieses Kapitel beschreibt die Entwicklung einer Webanwendung zur Echtzeit-Demonstration der trainierten Modelle. Es erläutert die Architektur des Frontends (HTML, JavaScript, CSS) und des Backends (Flask), die Server-Client-Kommunikation und die Bereitstellung der Anwendung in der Cloud. Die Herausforderungen bei der Bereitstellung einer effizienten und kostengünstigen Webanwendung werden diskutiert.

Welche Schlüsselwörter sind relevant für diese Arbeit?

Emotionserkennung, Neuronale Netze, Deep Learning, Convolutional Neural Networks, Machine Learning, Gesichtsausdruck, Echtzeitverarbeitung, Webanwendung, Datenbank, Evaluierung, State-of-the-art, Accuracy, Validierung.