تنظیم خودکار هایپرپارامترهای شبکه عصبی کانولوشن با الگوریتم چیتا برای تشخیص حالات چهره

تنظیم خودکار هایپرپارامترهای شبکه عصبی کانولوشن با الگوریتم چیتا برای تشخیص حالات چهره

مبارکه آفتابی1

1) کارشناسی ارشد نرم افزار کامپیوتر، دانشگاه آزاد واحد مشهد-

کد IOI مقاله : AAHD-ABKKGC
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    حالات چهره یکی از مهم‌ترین کانال‌های ارتباطی انسان‌ها برای انتقال احساسات درونی است. تشخیص خودکار حالات چهره (FER) به دلیل کاربردهای گسترده در تعامل انسان و کامپیوتر، روانشناسی، سلامت و امنیت، همواره مورد توجه پژوهشگران بوده است. در این پژوهش، یک مدل شبکه عصبی کانولوشن عمیق با معماری شش‌لایه طراحی و پیاده‌سازی شده است. به منظور بهبود عملکرد مدل، هایپرپارامترهای کلیدی شامل تعداد فیلترها (NF)، اندازه کرنل (KZ)، نرخ یادگیری (LR) و نرخ Dropout با استفاده از الگوریتم فراابتکاری چیتا (Cheetah Optimizer) به‌صورت خودکار تنظیم شده‌اند. آزمایش‌ها بر روی مجموعه داده استاندارد FER2013 نشان داد که مدل پیشنهادی (CNN-CO) دقت تشخیص را از 61 درصد به 73.5 درصد افزایش داده است. همچنین معیارهای Precision، Recall و F1- Score به ترتیب از ۰٫۵۶، ۰٫۵۵ و ۰٫۵۶ به ۰٫۶۲، ۰٫۶۲ و ۰٫۶۱ بهبود یافته‌اند. نتایج نشان می‌دهد که ترکیب شبکه‌های عصبی کانولوشن با بهینه‌سازی فراابتکاری چیتا، روشی کارآمد برای تشخیص حالات چهره محسوب می‌شود.

کلمات کلیدی : تشخیص‌حالات چهره شبکه‌ عصبی‌ کانولوشن الگوریتم‌ چیتا بهینه‌سازی‌ هایپرپارامتر یادگیری عمیق