PENGENALAN EMOSI MANUSIA MENGGUNAKAN LOG-GABOR CONVOLUTIONAL NETWORKS MELALUI PENDEKATAN FACIAL REGION SEGMENTATION
Pengenalan emosi manusia secara otomatis dapat bermanfaat pada sektor-sektor terkait komputasi afektif. Penelitian ini merupakan penelitian pertama yang mengadopsi teknik facial region segmentation (FRS) pada arsitektur Log-Gabor Convolutional Networks (Log-GCNs) dalam membangun model menggunakan se...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book |
| Published: |
2020-08-28.
|
| Subjects: | |
| Online Access: | Link Metadata |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
MARC
| LEADER | 00000 am a22000003u 4500 | ||
|---|---|---|---|
| 001 | repoupi_51881 | ||
| 042 | |a dc | ||
| 100 | 1 | 0 | |a Naufan Rusyda Faikar, - |e author |
| 245 | 0 | 0 | |a PENGENALAN EMOSI MANUSIA MENGGUNAKAN LOG-GABOR CONVOLUTIONAL NETWORKS MELALUI PENDEKATAN FACIAL REGION SEGMENTATION |
| 260 | |c 2020-08-28. | ||
| 500 | |a http://repository.upi.edu/51881/1/S_KOM_1607645_Title.pdf | ||
| 500 | |a http://repository.upi.edu/51881/2/S_KOM_1607645_Chapter1.pdf | ||
| 500 | |a http://repository.upi.edu/51881/6/S_KOM_1607645_Chapter2.pdf | ||
| 500 | |a http://repository.upi.edu/51881/4/S_KOM_1607645_Chapter3.pdf | ||
| 500 | |a http://repository.upi.edu/51881/7/S_KOM_1607645_Chapter4.pdf | ||
| 500 | |a http://repository.upi.edu/51881/3/S_KOM_1607645_Chapter5.pdf | ||
| 500 | |a http://repository.upi.edu/51881/5/S_KOM_1607645_Appendix.pdf | ||
| 520 | |a Pengenalan emosi manusia secara otomatis dapat bermanfaat pada sektor-sektor terkait komputasi afektif. Penelitian ini merupakan penelitian pertama yang mengadopsi teknik facial region segmentation (FRS) pada arsitektur Log-Gabor Convolutional Networks (Log-GCNs) dalam membangun model menggunakan set data gambar wajah nonfrontal, FER-2013. Dengan menggunakan deteksi facial landmark, daerah fitur wajah tertentu dapat disegmentasi menjadi dua-tiga bagian. Setiap bagian dapat dilatih baik secara individu maupun bersamaan menggunakan teknik network ensemble, di mana sejumlah arsitektur GCN yang identik tergabung di dalamnya. Hasil eksperimen membuktikan bahwa Log-GCN dengan FRS berhasil mengungguli baseline dengan augmentasi data melalui peningkatan akurasi sebesar 6,07%. | ||
| 546 | |a en | ||
| 546 | |a en | ||
| 546 | |a en | ||
| 546 | |a en | ||
| 546 | |a en | ||
| 546 | |a en | ||
| 546 | |a en | ||
| 690 | |a K Law (General) | ||
| 690 | |a QA75 Electronic computers. Computer science | ||
| 655 | 7 | |a Thesis |2 local | |
| 655 | 7 | |a NonPeerReviewed |2 local | |
| 787 | 0 | |n http://repository.upi.edu/51881/ | |
| 787 | 0 | |n http://repository.upi.edu | |
| 856 | |u https://repository.upi.edu/51881 |z Link Metadata | ||