Notes

CNN için;
Sürekli Gelişim: Model, kullanıcı geri bildirimleri ve sürekli testlerle zamanla geliştirilebilir. Bu sürekli gelişim, daha doğru ve duyarlı bir duygusal analiz sistemi oluşturmanıza yardımcı olur.

Projeniz için hangi CNN mimarisini seçtiniz ve bu seçimin nedenleri nelerdir?
ResNet ve Googlenet arasında araştırma yapıp dezavantaj ve avantajlarına göre ayırdık. Burada ResNet, özellikle derin ağların eğitiminde verimlilik sağlarken,

Kullanacağınız veri seti ne tür görüntüler içeriyor ve bu verileri CNN için nasıl hazırlıyorsunuz?
Yüz ifadelerini çeşitli duygusal durumları yansıtan bir veri setine ihtiyaç duyuyoruz. Bu veri setimiz mutluluk, üzüntü, şaşkınlık, korku, öfke ve benzeri duygusal ifadelerden oluşan yüz görüntülerinden oluşacak. Burada çeşitliliğe de ihtiyaç duyuyoruz. Farklı yaş, cinsiyet belki etnik köken gibi varyasyonları veri setimize dahil edip modelin çeşitliliğini arttırmayı hedefliyoruz.

Ön işleme sürecinde ise CNN'nin verimli çalıştırabilmek için görüntüleri boyutlandırmamız gerekecek. Burada tüm görüntüleri aynı boyutta veri setimize aktaracağız. Hızı arttırmayla ilgili bir normalizasyon çalışmamız olacak. Görüntü verilerini 0 ile 1 arasında normalize ederek modeli daha etkili şekilde eğitmeyi hedefliyoruz. Bunun yanında etiketleme çalışması yapacağız. Burada her bir görüntüye karşılık gelen duygusal ifade ile etiketleyeceğiz.

--

Çıkarılacak Özellikler:

Yüzün temel bileşenleri: Gözler, kaşlar, ağız, burun ve yüz hatları gibi temel yüz bileşenleri.
Mimikler: Gülümseme, kaş çatma, şaşkınlık gibi mimiklerin çeşitliliği.
Duygusal ifadeler: Mutluluk, üzüntü, öfke, şaşkınlık gibi duygusal ifadelerin yüzdeki görsel temsilleri.
Teknik Yaklaşım ve İnovasyon:

Yüzün görsel özelliklerinin detaylı analizi: CNN, yüzün görsel özelliklerini detaylı bir şekilde analiz ederek duygusal ifadeleri tanır.
Derin öğrenme ile özellik çıkarımı: Geleneksel özellik mühendisliği yerine, CNN derin öğrenme teknikleri kullanarak karmaşık ve soyut özellikleri belirler.
Ölçüm ve Değerlendirme:

Başarı oranı: Tanınan duyguların doğruluk oranı.
Hata oranı: Yanlış tanıma oranı.
Tepki süresi: Algoritmanın duygusal ifadeleri ne kadar hızlı tanıdığı.
Optimizasyon kapasitesi: Algoritmanın farklı yüz tipleri ve çeşitli duygusal durumlar üzerindeki performansı.
Projenin Eşsizliği ve Katkısı:

Yeni özellik çıkarım tekniklerinin geliştirilmesi, projenin duyguları tanıma yeteneğini geliştirecek ve daha doğru sonuçlar elde etmeye yardımcı olacaktır.
Bu teknikler, yüz ifadelerinin ve duygusal durumların daha doğru ve hassas bir şekilde tanınmasını sağlayarak kullanıcı deneyimini iyileştirecek ve sanal gerçeklik uygulamalarının etkisini artıracaktır.