Emploi et enquête sur divers modèles et ensembles de données CNN pour la reconnaissance et la classification des expressions faciales

La reconnaissance des expressions faciales (REF) est devenue un sujet de recherche populaire servant à améliorer l'interaction homme-machine. Les expressions faciales sont des sources d'information précieuses, en particulier pour identifier les émotions. Par conséquent, la classification des émotions est cruciale pour que les ordinateurs interprètent nos réactions. Des algorithmes d'apprentissage automatique peuvent être utilisés pour résoudre les problèmes de classification des expressions faciales. Parmi les algorithmes d'apprentissage profond, les architectures de réseaux de neurones convolutifs (CNN) sont connues pour être particulièrement adaptées à de telles tâches. Dans cette étude, nous avons formé des architectures CNN de VGG16, VGG19 et ResNet50 en utilisant les ensembles de données FER2013, FER2013plus, et un sous-ensemble de l'ensemble de données AffectNet composé d'images d'expressions faciales. Nous avons utilisé l'apprentissage par transfert pour intégrer des modèles de réseau préalablement formés via l'ensemble de données ImageNet. Nous avons étudié l'impact de divers ensembles de données, modèles de réseau et paramètres sur la performance d'un problème de classification des émotions faciales multi-classes. En raison des déséquilibres dans les ensembles de données, certaines techniques d'augmentation de données ont également été utilisées pour augmenter la précision.