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

حالات چهره یکی از مهمترین کانال های ارتباطی انسان ها 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 شش لایه طراحی و پیاده سازی 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) به صورت خودکار تنظیم شده اند. آزمایش ها بر روی مجموعه داده استاندارد ۲۰۱۳FER نشان داد که مدل پیشنهادی (CNN-CO) دقت تشخیص را از ۶۱ درصد به ۷۳.۵ درصد افزایش داده است. همچنین معیارهای Recall، Precision و F۱ به ترتیب از ۰.۵۶، ۰.۵۵ و ۰.۵۶ به ۰.۶۲، ۰.۶۲ و ۰.۶۱ بهبود یافته اند. نتایج نشان می دهد که ترکیب شبکه های عصبی کانولوشن با بهینه سازی فراابتکاری چیتا روشی کارآمد برای تشخیص حالات چهره محسوب می شود.

کلیدواژه ها:

تشخیص حالات چهره ، شبکه عصبی کانولوشن ، الگوریتم چیتا ، بهینه سازی ، هایپرپارامتر ، یادگیری عمیق