Bu çalışmada, internetten genel erişime açık görüntüler kullanılarak oluşturulan veri kümesi (RidNet) ile yedi farklıyüz ifadesi için derin öğrenme yöntemleri kullanılarak duygu tanıma işlemi yapılmıştır. Daha sonra AlexNet,GoogLeNet ve ResNet101 gibi literatürdeki tanınmış evrişimli sinir ağları mimarileri ile RidNet üzerinden transferöğrenmesi yapılmıştır. Compound Facial Expressions of Emotion (CE) ve Static Facial Expressions in the Wild(SFEW) veri kümeleri test veri kümeleri olarak belirlenmiştir. Yapılan ilk deneysel çalışmalar ile en iyi sınıflandırmaperformansını gösteren evrişimli sinir ağı mimarisi belirlenmiştir. Bu evrişimli sinir ağı AffectNet, The KarolinskaDirected Emotional Faces (KDEF) ve RidNet ile eğitilmiştir. AffectNet, KDEF ve RidNet ile eğitilmiş ağlar kontrollüortamda oluşturulan veri kümesi (CE) ile test edildiğinde benzer sınıflandırma başarımları elde edilmiştir. Kontrolsüzortamdaki test veri kümesinde (SFEW) ise RidNet ile eğitilen ağ diğer ağlara belirgin bir üstünlük sağlamıştır.
In this study, emotion recognition process is performed by using deep learning methods for seven different facial expressions from the dataset (RidNet) which is created by using images that are publicly accessible from internet. Afterwards, transfer learning over RidNet is done with well-known convolutional neural network architectures such as AlexNet, GoogLeNet and ResNet101. Compound Facial Expressions of Emotion (CE) and Static Facial Expressions in the Wild (SFEW) datasets are determined to be used as test datasets. In the first experimental studies, convolutional neural network architecture with the best classification performance is determined. This convolutional neural network is trained using AffectNet, The Karolinska Directed Emotional Faces and RidNet. Similar classification performances are achieved when the AffectNet, KDEF, and RidNet-trained networks are tested with the dataset (CE) generated in a controlled environment. In the test dataset (SFEW) in an uncontrolled environment, RidNet-trained network gives a significant advantage over the other networks.
