HorrorFace: Derin Öğrenme Tabanlı Korkutucu Yüzlerin Tespiti ve Sınıflandırılması

Betül AY

Makale detayları

HorrorFace: Derin Öğrenme Tabanlı Korkutucu Yüzlerin Tespiti ve Sınıflandırılması

Yazarlar:

Betül AY

Yayıncı:

Gazi University

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Journal of Information Technologies 2021 Vol.14 Issue 4, pp.435-443

Belge Tipi:

Makale

Yayın Tarihi:

10/2021

Belge Dili:

Türkçe

Document ID (Org No.):

2000902335

Sıklık:

Üç Aylık

eISSN:

2147-0715

pISSN:

1307-9697

Anahtar kelimeler:

Özet:

 


Scary faces negatively affect emotional memory development, especially in healthy adolescents and children, with the brain's strong amygdala response. In today's world where internet usage is increasing exponentially and uncontrolled visual materials proliferate, automatic filtering of faces that pose a risk of fear has become an important issue.   In this study, we are looking for the answer to the question of whether deep learning can learn fear; we aim to build a binary classifier that distinguish normal faces from horror faces.   As far as we know in the literature, there is no open-source dataset related this domain. We introduce a new and publicly dataset that we call HorrorFace. HorrorFace dataset consists of 19,600 face images labeled with two classes, namely horror and normal. To prove the accuracy, reliability, and generalization ability of the proposed dataset, we are harnessing the power of the transfer learning technique using convolutional neural networks (CNN), which have proven successful in various face classification tasks. Experimental results show that an effective and robust recognition performance has been achieved with an accuracy of 99.30% carried out by the best deep learning model.

.

 

Korkutucu yüzler, özellikle sağlıklı ergen ve çocuklarda beynin güçlü amigdala tepkisi ile birlikte duygusal hafıza gelişimini olumsuz etkilemektedir. Internet kullanımının katlanarak arttığı ve denetimsiz görsel materyallerin hızla çoğaldığı günümüzde, korku riski oluşturan yüzlerin otomatik filtrelenmesi önemli bir problem olmuştur. Bu çalışmada derin öğrenme korkuyu öğrenebilir mi sorusunun cevabını arıyoruz; normal yüzleri korkunç yüzlerden ayıran bir ikili sınıflandırıcı inşa etmeyi hedefliyoruz. Literatürde bildiğimiz kadarıyla, açık kaynaklı bir veri kümesi olmadığı için HorrorFace adını verdiğimiz yeni ve erişilebilir bir veri kümesi sunuyoruz. HorrorFace veri seti korkutucu ve normal olmak üzere iki sınıfla etiketlenmiş 19,600 yüz görüntüsünden oluşmaktadır. Önerilen veri setinin doğruluğunu, güvenilirliğini ve genelleme yeteneğini kanıtlamak için, çeşitli yüz sınıflandırma görevlerinde başarısını kanıtlamış olan omurga konvolüsyonel sinir ağlarını kullanarak öğrenme aktarımı yönteminin gücünden faydalanıyoruz. Deneysel sonuçlar, en iyi derin öğrenme modelinin gerçekleştirdiği % 99.30 doğrulukla etkili ve sağlam bir tanıma performansına ulaşıldığını göstermektedir.

Makale detayları

HorrorFace: Derin Öğrenme Tabanlı Korkutucu Yüzlerin Tespiti ve Sınıflandırılması

Yazarlar:

Betül AY

Yayıncı:

Gazi University

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Journal of Information Technologies 2021 Vol.14 Issue 4, pp.435-443

Belge Tipi:

Makale

Yayın Tarihi:

10/2021

Belge Dili:

Türkçe

Document ID (Org No.):

2000902335

Sıklık:

Üç Aylık

eISSN:

2147-0715

pISSN:

1307-9697

derin öğrenme

HorrorFace veri seti

korkutucu yüzlerin sınıflandırılması

Sayı

Makale detayları

HorrorFace: Derin Öğrenme Tabanlı Korkutucu Yüzlerin Tespiti ve Sınıflandırılması

Yazarlar: Betül AY

Yayıncı: Gazi University

Ana Başlıklar: Veri işleme & bilgisayar bilimi

Dergi: Journal of Information Technologies 2021 Vol.14 Issue 4, pp.435-443

Belge Tipi: Makale

Yayın Tarihi: 10/2021

Belge Dili: Türkçe

Document ID (Org No.): 2000902335

Sıklık: Üç Aylık

eISSN: 2147-0715

pISSN: 1307-9697

derin öğrenme

HorrorFace veri seti

korkutucu yüzlerin sınıflandırılması

Sayı

Yazarlar:

Betül AY

Yayıncı:

Gazi University

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Journal of Information Technologies 2021 Vol.14 Issue 4, pp.435-443

Belge Tipi:

Makale

Yayın Tarihi:

10/2021

Belge Dili:

Türkçe

Document ID (Org No.):

2000902335

Sıklık:

Üç Aylık

eISSN:

2147-0715

pISSN:

1307-9697