Bu tədqiqat üz təsvirlərindəki ifadə nümunələrini avtomatik təsnif etmək üçün MATLAB mühitində tətbiq oluna bilən ənənəvi maşın öyrənməsi və dərin öyrənmə yanaşmalarını araşdırır. Üz ifadəsinin tanınması (Facial Expression Recognition, FER), üz təsvirindəki görünən həndəsi və tekstur xüsusiyyətlərindən istifadə edərək təsviri əvvəlcədən müəyyən edilmiş ifadə siniflərindən birinə aid etməyə çalışan kompüter görməsi və nümunə tanıma problemidir. Mənbə tədqiqat xoşbəxtlik, kədər, qəzəb, təəccüb, qorxu və ikrah olmaqla altı əsas ifadə sinfini hədəfləyir; ənənəvi xəttdə üz aşkarlanması, boz tona çevirmə, histogram bərabərləşdirilməsi, Local Binary Patterns (LBP) xüsusiyyət çıxarılması və Support Vector Machine (SVM) təsnifatı istifadə olunur. Alternativ olaraq MATLAB Deep Learning Toolbox üzərində Convolutional Neural Network (CNN) arxitekturası təklif edilir.

Mənbədə bildirilən nəticələrə görə LBP xüsusiyyətləri ilə işləyən SVM üsulu %65 dəqiqlik, CNN yanaşması isə %75 dəqiqlik əldə etmişdir. Beləliklə, eyni məqalədə CNN üçün 10 faiz-bəndi daha yüksək dəqiqlik bildirilir. Lakin bu dəyərlərin hansı verilənlər dəstindən əldə edildiyi, təlim-test bölgüsü, nümunə sayı, sinif balansı, təkrar sayı və digər qiymətləndirmə göstəriciləri açıq şəkildə verilmədiyindən nəticələr nəzarətli və təkrarlana bilən benchmark kimi şərh edilməməlidir.

Məqalənin mühüm metodoloji xüsusiyyəti təsvir emalı xəttini MATLAB kod parçaları ilə konkretləşdirməsidir. Mənbədə təsvirin oxunması, boz tona çevrilməsi, histogram bərabərləşdirilməsi, Viola-Jones əsaslı üz aşkarlanması, LBP xüsusiyyət çıxarılması, SVM təlimi və CNN təlim sazlamalarına dair nümunələr mövcuddur. Bununla belə, mənbə özünü əhatəli icmal kimi təqdim etsə də sistematik ədəbiyyat axtarışı protokolu təqdim etmir; buna görə tədqiqat daha düzgün şəkildə öyrədici/narrativ icmal və nümunə tətbiq çərçivəsi kimi qiymətləndirilməlidir.

FER nəticələrinin də düzgün sərhədlərlə şərh edilməsi lazımdır. Alqoritmin üz təsvirini verilənlər dəstində “happy”, “sad” və ya “angry” kimi müəyyən edilmiş sinfə aid etməsi şəxsin real daxili emosional vəziyyətini birbaşa ölçdüyü mənasına gəlmir. Bu tədqiqat da əsasən təsvir təsnifatı performansını müzakirə edir.

Üz İfadəsinin Tanınması (FER) Nədir?

Üz ifadəsinin tanınması ağız, göz, qaş və onların ətrafındakı görünən forma və ya tekstur dəyişikliklərini rəqəmsal xüsusiyyətlərə çevirərək üz təsvirini əvvəlcədən müəyyən edilmiş ifadə siniflərindən birinə aid edən kompüter görməsi problemidir. Mənbə tədqiqat FER-i MATLAB üzərində təsvirin ilkin emalı, xüsusiyyət çıxarılması və təsnifatdan ibarət emal xətti kimi nəzərdən keçirir və altı hədəf sinif kimi xoşbəxtlik, kədər, qəzəb, təəccüb, qorxu və ikrahı sadalayır.

FER sisteminin əsas emal xətti

Mənbədə təsvir edilən ənənəvi FER prosesi dörd əsas mərhələdə ümumiləşdirilə bilər:

1. Etiketlənmiş üz təsvirlərinin əldə edilməsi.
2. Təsvirlərin ilkin emalı və üz sahəsinin ayrılması.
3. Üzü təmsil edəcək rəqəmsal xüsusiyyətlərin çıxarılması.
4. Çıxarılmış xüsusiyyətlər əsasında ifadə sinfinin proqnozlaşdırılması.

Mənbə bu emal xəttini xüsusilə MATLAB vasitələri ilə izah edir. Metod bölməsində standart üz ifadəsi verilənlər dəstlərinə nümunə kimi CK+, JAFFE və FER2013 adları göstərilir. Bunlar təlim və test üçün etiketlənmiş üz təsvirləri təmin edə bilən məlumat mənbələri kimi qeyd olunur; lakin məqalədə bildirilən %65 və %75 dəqiqliklərin konkret olaraq hansından əldə edildiyi açıqlanmır.

Təsvirin əldə edilməsi niyə ilk mərhələdir?

Təsnifedici üz ifadələrini öz-özünə bilmir; əvvəlcə müxtəlif sinifləri təmsil edən etiketlənmiş nümunələrə ehtiyac duyur. Mənbə bunu insanların müxtəlif üz ifadələrini ehtiva edən böyük fotoalboma bənzədir. Təlim verilənlərindəki hər təsvirin “happy”, “sad”, “angry”, “surprised”, “afraid” və ya “disgusted” kimi sinif etiketi daşıdığı fərz edilir.

Təlimdən sonra yeni təsvir eyni təmsil fəzasına çevrilir və model əvvəl öyrəndiyi nümunələr əsasında sinif etiketi çıxarır. Burada alqoritmin gördüyü iş görünən təsvir xüsusiyyətləri ilə təlim zamanı öyrənilmiş sinif strukturları arasında nümunə uyğunlaşdırmasıdır.

Mənbədə istifadə olunan verilənlər dəstləri

Mənbə bu üç verilənlər dəstinin hamısını bir təcrübədə birlikdə istifadə etdiyini açıq şəkildə demir. Buna görə yalnız adlarının metod bölməsində göstərilməsi bildirilən performans nəticələrinin hər üçünün birlikdə istifadəsindən əldə edildiyi mənasına gəlmir.

PDF-dəki MATLAB interfeysi

Mənbənin 2-ci səhifəsindəki Şəkil 1 “AdaBoost Facial Expression Recognition” başlıqlı MATLAB əsaslı qrafik istifadəçi interfeysini göstərir. İnterfeysdə təsvir seçmə, seçilmiş təsviri verilənlər bazasına əlavə etmə, üz ifadəsini tanıma, verilənlər bazası məlumatlarını göstərmə, verilənlər bazasını silmə, proqram məlumatlarını və mənbə kodunu göstərmə kimi funksiyalar mövcuddur.

Bu şəkil öyrədici baxımdan FER tətbiqinin istifadəçi tərəfdəki axınını göstərir. Bununla belə, məqalənin əsas ənənəvi təsnifedicisi SVM kimi təqdim edildiyinə görə AdaBoost interfeysinin SVM-CNN performans müqayisəsinə necə bağlandığı mənbədə izah olunmamışdır.

Mənbə təsvir kitabxanası

PDF-nin 2-ci səhifəsindəki Şəkil 2 çox sayda boz tonlu üz təsvirindən ibarət üz ifadəsi təsvir kitabxanasını göstərir. Vizual təsnifat sisteminin tək təsvir əvəzinə təlim nümunələrindən ibarət verilənlər bazası məntiqi ilə işlədiyini konkretləşdirir.

İlkin emal mərhələsi

Mənbə xam təsvirin birbaşa təsnifediciyə verilməsi əvəzinə əvvəlcə normallaşdırılmasını tövsiyə edir. Üç əsas proses göstərilir:

• Boz tona çevirmə: Rəng kanallarını bir intensivlik kanalına endirərək emal ediləcək məlumat strukturunu sadələşdirir.
• Histogram bərabərləşdirilməsi: Təsvir kontrastını tənzimləyərək zəif və ya qeyri-bərabər kontrastın xüsusiyyət çıxarılmasına təsirini azaltmağı hədəfləyir.
• Üz aşkarlanması: Viola-Jones tipli üz detektoru ilə təsvirin üz olan hissəsi müəyyən edilir və kəsilir.

Mənbənin MATLAB nümunəsində təsviri oxumaq üçün imread, boz tona çevirmək üçün rgb2gray, histogram bərabərləşdirməsi üçün histeq, üz aşkarlanması üçün vision.CascadeObjectDetector və kəsmək üçün imcrop funksiyalarından istifadə olunur.

Üz aşkarlanmasından əvvəl və sonra göstərilən interfeyslər

PDF-nin 3-cü səhifəsində eyni FER interfeysinə aid iki ekran görüntüsü vardır. Mənbə bunları Şəkil 3 “before detection” və Şəkil 4 “after detection” adlandırır. Lakin Şəkil 3 ekranında tanınmış ifadənin “Surprise” olduğu nəticə sahəsi görünür, Şəkil 4-də isə yeni seçilmiş təsvirin hələ verilənlər bazasına əlavə oluna biləcəyini bildirən mesaj vardır. Buna görə şəkil başlıqları ilə interfeys vəziyyətləri arasında görünən ardıcıllıq uyğunsuzluğu mövcuddur.

LBP və SVM Birlikdə Necə İşləyir?

Mənbə yanaşmasında Local Binary Patterns (LBP) üz təsvirindəki yerli tekstur dəyişikliklərini rəqəmsal xüsusiyyətlərə çevirir; Support Vector Machine (SVM) isə bu xüsusiyyət vektorlarından istifadə edərək müxtəlif ifadə siniflərini ayıran qərar sərhədini öyrənir. Beləliklə LBP təsvirin təmsilini yaradır, SVM isə bu təmsil üzərindən sinif etiketini proqnozlaşdırır.

Local Binary Patterns nəyi təmsil edir?

LBP mərkəzi piksel ilə qonşu piksellərin intensivliklərini müqayisə edən yerli tekstur deskriptorudur. Mənbənin izahına görə qonşu pikselin qiyməti mərkəzi pikselə bərabər və ya böyükdürsə ikilik 1, əks halda 0 qiyməti yaranır. Bu müqayisələrdən formalaşan ikilik nümunə yerli təsvir teksturunu təmsil edir.

Üz ifadələrində xüsusilə ağız, gözlər və qaşların ətrafındakı kiçik forma və tekstur dəyişiklikləri vacibdir. Mənbə LBP-nin gülümsəmə, qaş çatma və ya qaş qaldırma kimi ifadə dəyişiklikləri ilə əlaqəli yerli tekstur fərqlərini tutmaq üçün istifadə oluna biləcəyini bildirir.

MATLAB tərəfində mənbə bu proses üçün extractLBPFeatures funksiyasından istifadə edir.

HOG alternativi

Mənbə xüsusiyyət çıxarılması üçün Histogram of Oriented Gradients (HOG) üsulunu da alternativ kimi sadalayır. HOG təsvir intensivliyindəki istiqamətli qradiyentlərin paylanmasını ümumiləşdirərək forma və kənar strukturları haqqında xüsusiyyət yaradır. Lakin tədqiqatdakı rəqəmsal %65 nəticəsi açıq şəkildə “SVM with LBP Features” yanaşmasına bağlanmışdır; HOG üçün ayrıca performans dəyəri verilməmişdir.

SVM-nin rolu

Support Vector Machine təlim nümunələrindən müxtəlif sinifləri bir-birindən ayıracaq qərar sərhədini öyrənən nəzarətli maşın öyrənməsi üsuludur. Mənbə SVM-nin yüksəkölçülü xüsusiyyət fəzalarında səmərəli olduğuna görə FER təsnifatında geniş istifadə edildiyini bildirir.

MATLAB nümunəsində fitcsvm ilə modelin təlimi, predict ilə test xüsusiyyətlərinin təsnifatı göstərilir.

Mənbə “Mathematical Formulation” bölməsində SVM optimallaşdırma probleminin sinifləri ən yaxşı ayıran hipermüstəvini tapmağı hədəflədiyini bildirir. Bununla belə, dərc edilmiş PDF-də faktiki optimallaşdırma tənliyi görünən şəkildə verilmədiyindən Verianla standart SVM tənliyini mənbənin öz formulu kimi əlavə etmir.

Ənənəvi yanaşmanın əsas asılılığı

LBP + SVM xəttində xüsusiyyət təmsili təsnifedicidən əvvəl açıq şəkildə layihələndirilir. Yəni model qərar verə bilməsi üçün əvvəlcə insan tərəfindən seçilmiş təsvir təmsil üsulu olan LBP-dən istifadə edir. CNN yanaşmasının əsas fərqi isə xüsusiyyət çıxarılmasını da öyrənmə prosesinə daxil etməsidir.

CNN Əsaslı FER Bu Tədqiqatda Necə Qurulub?

Mənbədə təklif olunan CNN 48 × 48 piksel ölçüsündə birkanallı üz təsvirlərini giriş kimi qəbul edən; konvolüsiya, batch normalization, ReLU, max pooling, tam bağlı qat, softmax və təsnifat qatlarından ibarət kiçik dərin öyrənmə arxitekturasıdır. Şəbəkə MATLAB Deep Learning Toolbox istifadə edilərək Adam optimallaşdırma üsulu ilə təlim edilir.

Mənbədə verilən CNN qatları

Altı ifadə sinfi ilə yeddi çıxış arasındakı uyğunsuzluq

Məqalənin xülasə və giriş bölmələri sistemin altı əsas ifadəni tanımasını hədəflədiyini açıq şəkildə bildirir: xoşbəxtlik, kədər, qəzəb, təəccüb, qorxu və ikrah. Buna qarşılıq CNN kodunda tam bağlı son qat yeddi çıxışlıdır. Mənbə yeddinci sinfin “neutral” və ya başqa ifadə olub-olmadığını bildirmir. Buna görə yeddi çıxışın səbəbi mənbədə həll olunmamış arxitektura qeyri-müəyyənliyi kimi qalır.

CNN təlim sazlamaları

Mənbədə təlim üçün Adam optimallaşdırma üsulu istifadə edilir. Kodda maksimum epoch sayı 10, doğrulama tezliyi 30 olaraq verilir və təlim gedişi qrafikinin göstərilməsi tələb olunur.

Əvəzində mənbə öyrənmə sürətini, mini-batch ölçüsünü, random seed-i, məlumat artırma üsulunu, təlim və test təsvirlərinin sayını və ya avadanlıq xüsusiyyətlərini bildirmir.

Tədqiqatın Metodu və Nəticələri

Mənbədə təsvir edilən FER pipeline-ı

Tədqiqatın ənənəvi MATLAB pipeline-ı aşağıdakı ardıcıllığı izləyir:

1. Etiketlənmiş üz təsvirlərinin verilənlər dəstindən yüklənməsi.
2. Üz təsvirinin boz tona çevrilməsi.
3. Histogram bərabərləşdirməsi ilə kontrastın yaxşılaşdırılması.
4. Viola-Jones əsaslı üz detektoru ilə üz sahəsinin tapılması.
5. Tapılmış üz sahəsinin kəsilməsi.
6. LBP və ya HOG əsaslı xüsusiyyət çıxarılması.
7. SVM ilə ifadə təsnifatı.

Dərin öyrənmə alternativi bu xəttin xüsusiyyət çıxarılması və təsnifat hissəsini CNN daxilində birlikdə öyrənməyi hədəfləyir.

Bildirilən dəqiqlik müqayisəsi

Mənbə dəyərləri arasında 10 faiz-bəndi fərq vardır. Bu yalnız məqalədə bildirilən eksperimental müqayisədir.

Bu Tədqiqatda CNN, LBP + SVM-dən Daha Uğurludurmu?

Mənbədə bildirilən yeganə dəqiqlik müqayisəsinə görə bəli: CNN üçün %75, LBP xüsusiyyətləri ilə işləyən SVM üçün %65 dəqiqlik bildirilmişdir. Lakin hansı verilənlər dəstinin və hansı train/test protokolunun istifadə edildiyi göstərilmədiyindən bu 10 faiz-bəndi fərq CNN-nin FER problemlərində ümumilikdə və ya statistik olaraq üstün olduğunu təkbaşına sübut etmir.

CNN üçün mənbədə verilən şərh

Müəlliflər CNN-lərin göz, qaş və ağız kimi sahələrdəki mürəkkəb təsvir nümunələrini qatlar boyunca avtomatik öyrənə bildiyini və əl ilə xüsusiyyət seçiminə asılılığı azaltdığını bildirirlər. Mənbə buna görə dərin öyrənmə yanaşmasını daha çevik FER həlli kimi qiymətləndirir.

Lakin CNN-nin məhz niyə %75 əldə etdiyini izah edən ablasiya təcrübəsi və ya arxitektura müqayisəsi təqdim edilmir. Məsələn, batch normalization, pooling və ya filtr sayının ayrı-ayrı təsiri sınaqdan keçirilməmişdir.

Performans müqayisəsində çatışmayan məlumatlar

FER modelinin performansını etibarlı şəkildə müqayisə etmək üçün təkcə dəqiqlik kifayət etməyə bilər. Mənbədə aşağıdakı məlumatlar bildirilmir:

• Ümumi təsvir və ya şəxs sayı.
• Hər sinifdəki nümunə sayı.
• Dəqiq istifadə olunan verilənlər dəsti.
• Təlim/doğrulama/test nisbətləri.
• Şəxs-müstəqil testin tətbiq edilib-edilmədiyi.
• Cross-validation üsulu.
• Random seed.
• Confusion matrix.
• Sinif üzrə precision.
• Sinif üzrə recall.
• F1-score.
• Etibar intervalı.
• Təkrarlanan təcrübələrin ortalaması və standart sapması.

Beləliklə, %65 və %75 dəyərləri mənbədə bildirilən nəticələr kimi qorunmalı, lakin yüksək dəqiqlikli benchmark nəticələri kimi genişləndirilməməlidir.

Üz İfadəsi Sinfi Şəxsin Real Emosiyasını Dəqiq Göstərirmi?

Xeyr. Bu tip FER modelləri üz təsvirini təlim verilənlər dəstində müəyyən edilmiş görünən ifadə siniflərinə görə təsnif edir; bu təsnifat şəxsin real, daxili və ya kontekstual emosional vəziyyətini birbaşa ölçmür. Mənbə tədqiqat da texniki olaraq təsvir təsnifatı yanaşması hazırlayır və bildirilən %65 və %75 dəyərlərini bu təsnifat tapşırığı əsasında təqdim edir.

Bu fərq niyə vacibdir?

Üz hərəkətinin müəyyən verilənlər dəstində “anger” və ya “surprise” etiketi ilə uyğunlaşdırılması müxtəlif mədəni, fərdi və ya kontekstual şəraitdə eyni görünüşün tək və qəti psixoloji məna daşıdığını göstərmir. Buna görə FER sistemlərini qiymətləndirərkən alqoritmik sinif proqnozu ilə insanın real emosional vəziyyətinə dair daha güclü nəticələr bir-birinə qarışdırılmamalıdır.

Tədqiqatın güclü tərəfləri

• MATLAB üzərində başdan sona FER iş axınını öyrədici şəkildə göstərir.
• Ənənəvi LBP + SVM yanaşmasını CNN yanaşması ilə eyni məqalədə nəzərdən keçirir.
• İlkin emal, üz aşkarlanması, xüsusiyyət çıxarılması və təsnifatı ayrı mərhələlər kimi izah edir.
• MATLAB kod nümunələri vasitəsilə əsas tətbiq komponentlərini görünən edir.
• Ənənəvi və dərin öyrənmə əsaslı yanaşmalar üçün birbaşa dəqiqlik dəyərləri bildirir.

Tədqiqatın metodoloji məhdudiyyətləri

1. Sistematik icmal protokolu yoxdur

Mənbə özünü əhatəli icmal adlandırsa da ədəbiyyat verilənlər bazası, axtarış sorğusu, tarix intervalı, daxil etmə/xaric etmə meyarları və ya tədqiqat seçimi axını təqdim etmir. Buna görə sistematik icmal metodologiyasının tətbiq olunduğunu demək olmaz.

2. Təcrübə verilənlər dəsti dəqiqləşdirilmir

CK+, JAFFE və FER2013 metod bölməsində nümunə verilənlər dəstləri kimi sadalanır; lakin %65 və %75 nəticələrinin hansında əldə edildiyi bildirilmir.

3. Altı sinif-yeddi çıxış uyğunsuzluğu var

Mənbə altı əsas emosiya sinfindən danışdığı halda CNN nümunə kodu yeddi çıxışlı tam bağlı qatdan istifadə edir.

4. AdaBoost-SVM metod əlaqəsi izah edilmir

Şəkil 1 AdaBoost əsaslı MATLAB tətbiqini göstərir; mətnin əsas klassik üsulu isə LBP + SVM-dir. Bu iki yanaşmanın eyni təcrübə quruluşunda necə əlaqələndirildiyi izah edilmir.

5. Şəkil 3 və 4 ardıcıllığında görünən uyğunsuzluq var

“Before detection” başlıqlı təsvir nəticə ekranını göstərdiyi halda “after detection” başlıqlı təsvir daha əvvəlki istifadəçi interfeysi vəziyyətinə bənzəyir.

6. Riyazi formulasiya tamamlanmayıb

SVM optimallaşdırma problemi və LBP riyazi quruluşu başlıq kimi qeyd olunsa da PDF-də onlara aid görünən tənliklər təqdim edilmir.

7. Qiymətləndirmə yalnız accuracy ilə məhdudlaşır

Confusion matrix, precision, recall, F1 və sinif üzrə performans təqdim edilmir.

8. Təkrarlana bilmə təfərrüatları çatışmır

Verilənlərin bölünməsi, məlumat artırılması, öyrənmə sürəti, batch ölçüsü, random seed və istifadə olunan avadanlıq kimi təfərrüatlar bildirilmədiyindən nəticələri eynilə təkrarlamaq çətindir.

Tədqiqatın dəstəklədiyi nəticələr

• MATLAB istifadə etməklə əsas FER pipeline qurmaq mümkündür.
• Bozlaşdırma, histogram bərabərləşdirilməsi və üz aşkarlanması ilkin emal addımları kimi istifadə oluna bilər.
• LBP üz teksturunu təmsil etmək üçün istifadə oluna bilər.
• SVM çıxarılmış xüsusiyyətlər əsasında ifadə təsnifatı edə bilər.
• CNN xüsusiyyət çıxarılması və təsnifatı eyni öyrənmə sistemində birləşdirə bilər.
• Mənbədə LBP + SVM üçün %65 və CNN üçün %75 dəqiqlik bildirilmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• CNN-nin bütün FER verilənlər dəstlərində %75 dəqiqlik verəcəyi göstərilməmişdir.
• CNN-nin bütün ənənəvi üsullardan ümumilikdə üstün olduğu sübut edilməmişdir.
• %10-luq dəqiqlik fərqinin statistik əhəmiyyətliliyi göstərilməmişdir.
• Real vaxtlı sahə istifadəsində gecikmə və ya throughput ölçümü verilməmişdir.
• Mədəniyyətlər və demoqrafik qruplar arasında ümumiləşdirilə bilmə qiymətləndirilməmişdir.
• FER sinif proqnozlarının şəxsin real daxili emosiyasını dəqiq müəyyən etdiyi göstərilməmişdir.

Mənbə və Metod Qeydi

• Orijinal başlıq: Facial expression recognition using MATLAB: A comprehensive review and optimization approach
• Müəllif 1: Borhan F Jumaa
• Müəllif 2: Aoznor Y Zainal
• Məsul müəllif: Borhan F Jumaa
• Mənbədə yazılan qurum: Department of Computer Science, Kirkuk of University, Kirkuk, Iraq
• Jurnal: International Journal of Computing and Artificial Intelligence
• Cild: 7
• Nömrə: 1
• Bölmə: Part B
• Səhifələr: 118–121
• İl: 2026
• DOI: 10.33545/27076571.2026.v7.i1b.251
• E-ISSN: 2707-658X
• P-ISSN: 2707-6571
• Alınma tarixi: 15-11-2025
• Qəbul tarixi: 19-12-2025
• Nəşriyyat: AkiNik Publications
• Mənbə növü: Narrativ/öyrədici FER icmalı və MATLAB tətbiq yanaşması
• Rəyçilik statusu: Jurnalın rəsmi saytı nəşri peer-reviewed/refereed kimi təqdim edir.
• Rəsmi keçid:https://doi.org/10.33545/27076571.2026.v7.i1b.251

Mənbədaxili texniki uyğunsuzluq qeydi

Mənbə altı ifadə sinfi müəyyən etsə də CNN nümunəsində yeddi çıxışlı son qatdan istifadə edir. Bundan əlavə, AdaBoost interfeys təsviri ilə əsas SVM pipeline arasındakı eksperimental əlaqə izah olunmamış və Şəkil 3–4-ün başlıqları ilə ekran vəziyyətləri arasında görünən ardıcıllıq uyğunsuzluğu yaranmışdır. Bu məqamlar mənbədə həll edilmədiyindən Verianla tərəfindən səssiz şəkildə düzəldilməmişdir.

Təkrarlana bilmə qeydi

Mənbə bəzi MATLAB əmrlərini, CNN qatlarını və təlim seçimlərini verir; lakin nəticələri tam təkrarlamaq üçün tələb olunan verilənlər bölgüsü, nümunə sayı, öyrənmə sürəti, mini-batch ölçüsü, random seed, məlumat artırma və avadanlıq məlumatları yoxdur. Buna görə %65 və %75 dəqiqlik dəyərləri dərc edilmiş nəticələr kimi ötürülməli, lakin müstəqil təsdiqlənmiş benchmark ölçmələri kimi təqdim edilməməlidir.

Elmi şərh sərhədi

Tədqiqatın nəzərdən keçirdiyi FER sistemi üz təsvirlərini təlim zamanı istifadə olunan etiket kateqoriyalarına görə təsnif edən kompüter görməsi sistemidir. Bu tədqiqat şəxsin real psixoloji və ya emosional vəziyyətinin yalnız üz təsvirindən dəqiq müəyyən edilə biləcəyini göstərmir.