ЕФЕКТИВНІСТЬ ЗАСТОСУВАННЯ ШАРІВ НЕЙРОННОЇ МЕРЕЖІ LSTM ДЛЯ ЗАДАЧІ КЛАСИФІКАЦІЇ ЕМОЦІЙ НА ОБЛИЧЧІ ЛЮДИНИ

Анотація

У статті детально досліджено ефективність використання шарів нейронної моделі довготривалої короткочасної пам'яті (LSTM) для вирішення завдання класифікації емоцій на зображеннях людських облич. Особливу увагу приділено порівнянню результатів двох моделей: стандартної згорткової нейронної мережі (CNN) та гібридної моделі, яка включає шари LSTM. Отримані результати дослідження продемонстрували, що, хоча на чистих даних CNN трохи перевершує LSTM за основними метриками якості, в умовах підвищеного рівня шуму LSTM значно перевершує CNN за продуктивністю. Це особливо важливо для завдань, пов'язаних із розпізнаванням емоцій у реальних умовах, де присутність шуму є звичайним явищем і може впливати на точність системи. Крім того, було виявлено, що LSTM має переваги не лише у стійкості до шуму, але й у швидкості обробки даних та меншій кількості параметрів, що робить її значно ефективнішою з точки зору використання обчислювальних ресурсів. Також у статті розглядається можливість застосування LSTM для прогнозування змін емоційних станів, що відкриває нові перспективи для аналізу динаміки емоцій. Це може мати вагоме значення для побудови майбутніх емоційно-орієнтованих систем, де важлива не тільки точність розпізнавання, але й здатність передбачати зміни в емоціях користувача. Для навчання моделей використовувався датасет FER2013, який містить зображення емоцій семи різних категорій, що забезпечує комплексний підхід до оцінки моделей. Дослідження робить акцент на практичному потенціалі LSTM для використання в реальних системах розпізнавання емоцій, де такі фактори, як вплив шуму, швидкість обробки та обчислювальна ефективність, мають вирішальне значення для надійності та продуктивності. Використання LSTM у таких системах дозволяє створювати більш адаптивні рішення, здатні до високоточного розпізнавання та передбачення емоційних станів користувачів.