Redes neuronales convolucionales profundas para el reconocimiento de emociones en imágenes

Abstract

Las redes neuronales convolucionales profundas (DCNNs, del inglés Deep Convolutional Neural Networks) han demostrado su capacidad para resolver problemas de clasificación de imágenes utilizando un modelo jerárquico, millones de parámetros, aprendiendo con grandes bases de datos. En este proyecto se ha estudiado el comportamiento de este tipo de redes con la búsqueda de emociones en imágenes de caras humanas. Se han usado y contrastado diferentes DCNNs que han funcionado anteriormente bien en otros ámbitos, y se han mejorado los resultados. Para ello se ha utilizado una base de datos de reciente aparición denominada RAF-DB, la cual está compuesta por 15.339 imágenes de caras descargadas de Internet totalmente clasificadas. También se han buscado otros conjuntos de datos como son CK+ y las usadas para el reconocimiento de expresiones en el reto ICML 2013 (FER2013) y, sin realizar ningún ajuste sobre las redes previamente entrenadas, se ha comprobado su comportamiento. Como último se ha realizado una aplicación móvil que puede usar cualquiera de las redes entrenadas como ejemplo de uso.---ABSTRACT---Deep Convolutional Neural Networks have demostrated their capacity to solve classification problems using a hierarchical model, millions of parameters, and learning with big databases. In this project, the behavior of these type of networks has been studied for estimating emotions in human faces images. Different DCNNs that have worked fine in different areas have been used and contrasted, and the results have been improved. For that purpose, a recent dataset, RAF-DB, has been used. It has 15.339 totally classified human face images downloaded from the Internet. Other databases have also been searched, CK+ and the database used in ICLM 2013 challenge (FER2013), without previous trained networks finetuning or training, checking their results. Finally, we have also developed a mobile application that may use any of the networks trained in this project.