Ин таҳқиқот равишҳои анъанавии омӯзиши мошинӣ ва омӯзиши амиқро баррасӣ мекунад, ки метавонанд барои таснифи худкори намунаҳои ифода дар тасвирҳои чеҳра дар муҳити MATLAB татбиқ шаванд. Шинохти ифодаи чеҳра (Facial Expression Recognition, FER) масъалаи биниши компютерӣ ва шинохти намунаҳо мебошад, ки бо истифода аз хусусиятҳои геометрӣ ва текстуравии намоёни тасвири чеҳра мекӯшад тасвирро ба яке аз синфҳои пешакӣ муайяншудаи ифода мансуб кунад. Таҳқиқоти манбаъ шаш синфи асосии ифода — хушҳолӣ, ғамгинӣ, хашм, ҳайрат, тарс ва нафратро ҳадаф қарор медиҳад; дар хати анъанавӣ ошкоркунии чеҳра, табдил ба ранги хокистарӣ, баробарсозии гистограмма, истихроҷи хусусиятҳои Local Binary Patterns (LBP) ва тасниф бо Support Vector Machine (SVM) истифода мешаванд. Ба сифати алтернатива, меъмории Convolutional Neural Network (CNN) дар MATLAB Deep Learning Toolbox пешниҳод шудааст.

Тибқи натиҷаҳои дар манбаъ гузоришшуда, усули SVM бо хусусиятҳои LBP %65 дақиқӣ ва равиши CNN %75 дақиқӣ додааст. Ҳамин тавр, дар ҳамон мақола барои CNN 10 банди фоизӣ дақиқии баландтар гузориш шудааст. Аммо азбаски маълум нест ин қиматҳо аз кадом маҷмӯи додаҳо ба даст омадаанд, тақсимоти омӯзиш-санҷиш, шумораи намунаҳо, тавозуни синфҳо, шумораи такрорҳо ва дигар меъёрҳои арзёбӣ низ ба таври возеҳ дода нашудаанд, натиҷаҳоро набояд ҳамчун benchmark-и назоратшаванда ва такроршаванда тафсир кард.

Яке аз хусусиятҳои муҳими методологии мақола ин аст, ки хати коркарди тасвирро бо пораҳои коди MATLAB мушаххас месозад. Дар манбаъ намунаҳо оид ба хондани тасвир, табдил ба ранги хокистарӣ, баробарсозии гистограмма, ошкоркунии чеҳра дар асоси Viola-Jones, истихроҷи хусусиятҳои LBP, омӯзиши SVM ва танзимоти омӯзиши CNN мавҷуданд. Бо вуҷуди ин, ҳарчанд манбаъ худро ҳамчун баррасии фарогир муаррифӣ мекунад, протоколи ҷустуҷӯи систематикии адабиётро пешниҳод намекунад; бинобар ин таҳқиқотро дурусттар аст ҳамчун баррасии омӯзишӣ/ривоятӣ ва чаҳорчӯбаи татбиқи намунавӣ арзёбӣ кард.

Натиҷаҳои FER низ бояд дар ҳудуди дуруст шарҳ дода шаванд. Ин ки алгоритм тасвири чеҳраро ба синфе чун “happy”, “sad” ё “angry”, ки дар маҷмӯи додаҳо муайян шудааст, мансуб мекунад, маънои онро надорад, ки ҳолати воқеии дохилии эҳсосии шахсро мустақиман чен мекунад. Ин таҳқиқот низ асосан самаранокии таснифи тасвирро муҳокима мекунад.

Шинохти Ифодаи Чеҳра (FER) Чист?

Шинохти ифодаи чеҳра масъалаи биниши компютерӣ мебошад, ки тағйироти намоёни шакл ё текстура дар атрофи даҳон, чашм, абрӯ ва дигар қисмҳои чеҳраро ба хусусиятҳои рақамӣ табдил дода, тасвирро ба яке аз синфҳои пешакӣ муайяншудаи ифода мансуб мекунад. Таҳқиқоти манбаъ FER-ро ҳамчун хати коркард дар MATLAB мебинад, ки аз коркарди пешакии тасвир, истихроҷи хусусият ва тасниф иборат аст ва ҳамчун шаш синфи ҳадаф хушҳолӣ, ғамгинӣ, хашм, ҳайрат, тарс ва нафратро номбар мекунад.

Хати асосии коркарди системаи FER

Раванди анъанавии FER, ки дар манбаъ тавсиф шудааст, метавонад дар чор марҳилаи асосӣ ҷамъбаст карда шавад:

1. Гирифтани тасвирҳои чеҳраи дорои тамға.
2. Коркарди пешакии тасвирҳо ва ҷудо кардани минтақаи чеҳра.
3. Истихроҷи хусусиятҳои рақамӣ барои муаррифии чеҳра.
4. Пешгӯии синфи ифода аз рӯи хусусиятҳои истихроҷшуда.

Манбаъ ин хатро махсусан тавассути абзорҳои MATLAB шарҳ медиҳад. Дар бахши усул CK+, JAFFE ва FER2013 ҳамчун намунаҳои маҷмӯи додаҳои стандартии ифодаи чеҳра номбар мешаванд. Онҳо ҳамчун манбаъҳои тасвирҳои чеҳраи тамғагузоришуда барои омӯзиш ва санҷиш зикр мегарданд; аммо муайян карда намешавад, ки дақиқиҳои %65 ва %75 дар мақола аз кадоме аз онҳо ба даст омадаанд.

Чаро гирифтани тасвир марҳилаи аввал аст?

Таснифкунанда ифодаҳои чеҳраро худ аз худ намедонад; аввал ба намунаҳои тамғагузоришуда ниёз дорад, ки синфҳои гуногунро намояндагӣ кунанд. Манбаъ инро ба албоми калони аксҳо бо ифодаҳои гуногуни чеҳраи одамон монанд мекунад. Фарз мешавад, ки ҳар тасвир дар додаҳои омӯзишӣ тамғаи синфе чун “happy”, “sad”, “angry”, “surprised”, “afraid” ё “disgusted” дорад.

Пас аз омӯзиш тасвири нав ба ҳамон фазои муаррифӣ табдил дода мешавад ва модел бар асоси намунаҳои қаблан омӯхтааш тамғаи синфро мебарорад. Кори алгоритм дар ин ҷо мувофиқсозии намунаҳо байни хусусиятҳои намоёни тасвир ва сохторҳои синфие мебошад, ки ҳангоми омӯзиш омӯхта шудаанд.

Маҷмӯи додаҳои дар манбаъ зикршуда

Манбаъ ошкоро намегӯяд, ки ҳар се маҷмӯи додаҳоро дар як озмоиш якҷоя истифода кардааст. Аз ин рӯ, танҳо зикри номи онҳо дар бахши усул маънои онро надорад, ки натиҷаҳои гузоришшудаи самаранокӣ аз ҳар сеи онҳо якҷоя ба даст омадаанд.

Интерфейси MATLAB дар PDF

Расми 1 дар саҳифаи 2-и манбаъ интерфейси графикии корбарро дар асоси MATLAB бо унвони “AdaBoost Facial Expression Recognition” нишон медиҳад. Интерфейс функсияҳои интихоби тасвир, илова кардани тасвири интихобшуда ба пойгоҳи додаҳо, шинохти ифодаи чеҳра, нишон додани маълумоти пойгоҳи додаҳо, ҳазфи пойгоҳи додаҳо, нишон додани маълумоти барнома ва коди манбаъро дар бар мегирад.

Ин расм аз ҷиҳати омӯзишӣ ҷараёни тарафи корбари як барномаи FER-ро нишон медиҳад. Бо вуҷуди ин, азбаски таснифкунандаи асосии анъанавии мақола SVM муаррифӣ шудааст, дар манбаъ шарҳ дода нашудааст, ки интерфейси AdaBoost чӣ гуна ба муқоисаи самаранокии SVM-CNN пайваст мешавад.

Китобхонаи тасвирҳои манбаъ

Расми 2 дар саҳифаи 2-и PDF китобхонаи тасвирҳои ифодаи чеҳраро нишон медиҳад, ки аз шумораи зиёди тасвирҳои хокистарии чеҳра иборат аст. Ин тасвир нишон медиҳад, ки системаи тасниф на бо як тасвир, балки бо мантиқи пойгоҳи додаҳои намунаҳои омӯзишӣ кор мекунад.

Марҳилаи коркарди пешакӣ

Манбаъ тавсия медиҳад, ки тасвири хом ба ҷойи он ки мустақиман ба таснифкунанда дода шавад, аввал нормализатсия гардад. Се амали асосӣ нишон дода шудаанд:

• Табдил ба ранги хокистарӣ: Каналҳои рангро ба як канали шиддат табдил дода, сохтори додаҳои коркардшавандаро содда мекунад.
• Баробарсозии гистограмма: Контрасти тасвирро танзим карда, таъсири контрасти паст ё номутаносибро ба истихроҷи хусусиятҳо коҳиш додан мехоҳад.
• Ошкоркунии чеҳра: Бо детектори чеҳраи навъи Viola-Jones минтақаи дорои чеҳра муайян ва бурида мешавад.

Дар мисоли MATLAB-и манбаъ барои хондани тасвир imread, барои табдил ба ранги хокистарӣ rgb2gray, барои баробарсозии гистограмма histeq, барои ошкоркунии чеҳра vision.CascadeObjectDetector ва барои буридан imcrop истифода шудаанд.

Интерфейсҳои нишон додашуда пеш ва пас аз ошкоркунии чеҳра

Дар саҳифаи 3-и PDF ду скриншоти ҳамон интерфейси FER мавҷуд аст. Манбаъ онҳоро Расми 3 “before detection” ва Расми 4 “after detection” меномад. Аммо дар экрани Расми 3 майдони натиҷа дида мешавад, ки ифодаи шинохташуда “Surprise” аст, дар ҳоле ки дар Расми 4 паёме ҳаст, ки мегӯяд тасвири нав интихобшуда ҳанӯз метавонад ба пойгоҳи додаҳо илова шавад. Аз ин рӯ, байни унвонҳои расмҳо ва ҳолатҳои интерфейс номувофиқии намоёни тартибӣ вуҷуд дорад.

LBP ва SVM Якҷоя Чӣ Гуна Кор Мекунанд?

Дар равиши манбаъ Local Binary Patterns (LBP) тағйироти маҳаллии текстураи тасвири чеҳраро ба хусусиятҳои рақамӣ табдил медиҳад; Support Vector Machine (SVM) бошад, бо истифода аз ин векторҳои хусусият сарҳади қарореро меомӯзад, ки синфҳои гуногуни ифодаро аз ҳам ҷудо мекунад. Ҳамин тавр, LBP муаррифии тасвирро месозад ва SVM аз рӯи ин муаррифӣ тамғаи синфро пешгӯӣ мекунад.

Local Binary Patterns чиро ифода мекунад?

LBP дескриптори маҳаллии текстура мебошад, ки шиддати пиксели марказиро бо пикселҳои ҳамсоя муқоиса мекунад. Тибқи шарҳи манбаъ, агар қимати пиксели ҳамсоя ба пиксели марказӣ баробар ё аз он калон бошад, қимати дуӣ 1 ва дар акси ҳол 0 тавлид мешавад. Намунае, ки аз ин муқоисаҳо ба вуҷуд меояд, текстураи маҳаллии тасвирро ифода мекунад.

Дар ифодаҳои чеҳра махсусан тағйироти хурди шакл ва текстура дар атрофи даҳон, чашм ва абрӯҳо муҳиманд. Манбаъ мегӯяд, ки LBP метавонад барои гирифтани фарқиятҳои маҳаллии текстура, ки бо тағйироти ифода чун табассум, гиреҳ кардани абрӯ ё боло бардоштани абрӯ алоқаманданд, истифода шавад.

Дар MATLAB манбаъ барои ин амал функсияи extractLBPFeatures-ро истифода мекунад.

Алтернативаи HOG

Манбаъ Histogram of Oriented Gradients (HOG)-ро низ ҳамчун алтернатива барои истихроҷи хусусият номбар мекунад. HOG тақсимоти градиентҳои самтнокро дар шиддати тасвир ҷамъбаст карда, хусусиятҳо дар бораи сохтори шакл ва канорҳо ҳосил мекунад. Аммо натиҷаи ададии %65 дар таҳқиқот ба таври возеҳ ба равиши “SVM with LBP Features” вобаста карда шудааст; барои HOG қимати ҷудогонаи самаранокӣ дода нашудааст.

Нақши SVM

Support Vector Machine усули назоратшавандаи омӯзиши мошинӣ мебошад, ки аз намунаҳои омӯзишӣ сарҳади қарореро меомӯзад, ки синфҳои гуногунро аз ҳам ҷудо мекунад. Манбаъ қайд мекунад, ки SVM аз сабаби самаранок будан дар фазоҳои хусусиятҳои баландандоза дар таснифи FER васеъ истифода мешавад.

Дар мисоли MATLAB омӯзиши модел бо fitcsvm ва таснифи хусусиятҳои санҷишӣ бо predict нишон дода шудааст.

Манбаъ дар бахши “Mathematical Formulation” мегӯяд, ки масъалаи оптимизатсияи SVM ҳадафи ёфтани гиперсатҳеро дорад, ки синфҳоро беҳтарин ҷудо мекунад. Аммо азбаски дар PDF-и нашршуда муодилаи воқеии оптимизатсия ба таври намоён дода нашудааст, Verianla муодилаи стандартии SVM-ро ҳамчун формулаи худи манбаъ илова намекунад.

Вобастагии асосии равиши анъанавӣ

Дар хати LBP + SVM муаррифии хусусият пеш аз таснифкунанда ба таври возеҳ тарҳрезӣ мешавад. Яъне барои он ки модел қарор қабул кунад, аввал усули муаррифии тасвир, ки аз ҷониби инсон интихоб шудааст — LBP истифода мешавад. Фарқи асосии равиши CNN дар он аст, ки истихроҷи хусусиятро низ ба раванди омӯзиш дохил мекунад.

FER-и Бар Асоси CNN дар Ин Таҳқиқот Чӣ Гуна Сохта Шудааст?

CNN-и пешниҳодшуда дар манбаъ меъмории хурди омӯзиши амиқ мебошад, ки тасвирҳои якканалии чеҳраро бо андозаи 48 × 48 пиксел ҳамчун вуруд қабул мекунад ва аз қабатҳои конволютсия, batch normalization, ReLU, max pooling, қабати пурра пайваст, softmax ва тасниф иборат аст. Шабака бо истифода аз MATLAB Deep Learning Toolbox ва усули оптимизатсияи Adam омӯзонида мешавад.

Қабатҳои CNN, ки дар манбаъ дода шудаанд

Номувофиқатӣ байни шаш синфи ифода ва ҳафт баромад

Бахшҳои хулоса ва муқаддимаи мақола ошкоро мегӯянд, ки система шинохти шаш ифодаи асосиро ҳадаф мегирад: хушҳолӣ, ғамгинӣ, хашм, ҳайрат, тарс ва нафрат. Аммо дар коди CNN қабати охирини пурра пайваст ҳафт баромад дорад. Манбаъ намегӯяд, ки синфи ҳафтум “neutral” аст ё ифодаи дигар. Аз ин рӯ, сабаби ҳафт баромад ҳамчун номуайянии меъморӣ дар манбаъ ҳалнашуда боқӣ мемонад.

Танзимоти омӯзиши CNN

Манбаъ барои омӯзиш усули оптимизатсияи Adam-ро истифода мебарад. Дар код шумораи максималии epoch 10, басомади санҷиш 30 дода шудааст ва намоиши графики пешрафти омӯзиш талаб карда мешавад.

Аммо манбаъ суръати омӯзиш, андозаи mini-batch, random seed, усули афзоиши додаҳо, шумораи тасвирҳои омӯзишӣ ва санҷишӣ ё хусусиятҳои таҷҳизотро гузориш намедиҳад.

Усул ва Натиҷаҳои Таҳқиқот

FER pipeline-и дар манбаъ тавсифшуда

Pipeline-и анъанавии MATLAB-и таҳқиқот тартиби зеринро пайгирӣ мекунад:

1. Бор кардани тасвирҳои чеҳраи тамғагузоришуда аз маҷмӯи додаҳо.
2. Табдил додани тасвири чеҳра ба ранги хокистарӣ.
3. Беҳтар кардани контраст бо баробарсозии гистограмма.
4. Ёфтани минтақаи чеҳра бо детектори чеҳраи ба Viola-Jones асосёфта.
5. Буридани минтақаи ёфтшудаи чеҳра.
6. Истихроҷи хусусиятҳо дар асоси LBP ё HOG.
7. Таснифи ифода бо SVM.

Алтернативаи омӯзиши амиқ ҳадаф дорад, ки қисмҳои истихроҷи хусусият ва таснифро дар дохили CNN якҷоя омӯзад.

Муқоисаи дақиқии гузоришшуда

Байни қиматҳои манбаъ 10 банди фоизӣ фарқ мавҷуд аст. Ин танҳо муқоисаи таҷрибавии дар мақола гузоришшуда мебошад.

Оё CNN дар Ин Таҳқиқот Аз LBP + SVM Муваффақтар Аст?

Тибқи ягона муқоисаи дақиқие, ки дар манбаъ гузориш шудааст, ҳа: барои CNN %75 ва барои SVM бо хусусиятҳои LBP %65 дақиқӣ гузориш шудааст. Аммо азбаски кадом маҷмӯи додаҳо ва кадом протоколи train/test истифода шудааст, муайян нест, ин фарқи 10 банди фоизӣ худ аз худ исбот намекунад, ки CNN дар масъалаҳои FER умуман ё аз ҷиҳати оморӣ бартарӣ дорад.

Шарҳи манбаъ барои CNN

Муаллифон мегӯянд, ки CNN метавонад намунаҳои мураккаби тасвирро дар минтақаҳои чашм, абрӯ ва даҳон тавассути қабатҳо ба таври худкор омӯзад ва вобастагиро ба интихоби дастии хусусиятҳо кам кунад. Аз ин рӯ, манбаъ равиши омӯзиши амиқро ҳамчун ҳалли чандиртари FER арзёбӣ мекунад.

Аммо озмоиши аблятсионӣ ё муқоисаи меъморӣ, ки шарҳ диҳад CNN чаро маҳз %75 ба даст овардааст, пешниҳод нашудааст. Масалан, таъсири ҷудогонаи batch normalization, pooling ё шумораи филтрҳо санҷида нашудааст.

Маълумоти норасо дар муқоисаи самаранокӣ

Барои боэътимод муқоиса кардани самаранокии модели FER танҳо дақиқӣ метавонад кофӣ набошад. Дар манбаъ маълумоти зерин гузориш нашудааст:

• Шумораи умумии тасвирҳо ё одамон.
• Шумораи намунаҳо дар ҳар синф.
• Маҷмӯи додаҳои дақиқ истифодашуда.
• Таносубҳои омӯзиш/санҷиши дохилӣ/test.
• Оё санҷиши мустақил аз шахс истифода шудааст ё не.
• Усули Cross-validation.
• Random seed.
• Confusion matrix.
• Precision аз рӯи синф.
• Recall аз рӯи синф.
• F1-score.
• Фосилаи эътимод.
• Миёна ва инҳирофи стандартии озмоишҳои такрорӣ.

Аз ин рӯ, қиматҳои %65 ва %75 бояд ҳамчун натиҷаҳои дар манбаъ гузоришшуда ҳифз шаванд, вале набояд ҳамчун натиҷаҳои benchmark-и дақиқи баланд тавсеа дода шаванд.

Оё Синфи Ифодаи Чеҳра Эҳсоси Воқеии Шахсро Дақиқ Нишон Медиҳад?

Не. Чунин моделҳои FER тасвири чеҳраро мувофиқи синфҳои ифодаи намоён, ки дар маҷмӯи додаҳои омӯзишӣ муайян шудаанд, тасниф мекунанд; ин тасниф ҳолати воқеӣ, дохилӣ ё контекстии эҳсосии шахсро мустақиман чен намекунад. Таҳқиқоти манбаъ низ аз ҷиҳати техникӣ равиши таснифи тасвирро таҳия мекунад ва қиматҳои %65 ва %75-ро аз рӯи ҳамин вазифаи тасниф пешниҳод мекунад.

Чаро ин фарқ муҳим аст?

Ин ки ҳаракати чеҳра дар маҷмӯи додаи муайян бо тамғаи “anger” ё “surprise” мувофиқ карда шудааст, нишон намедиҳад, ки ҳамон намуди чеҳра дар шароити гуногуни фарҳангӣ, шахсӣ ё контекстӣ як маънои ягона ва қатъии психологӣ дорад. Аз ин рӯ, ҳангоми арзёбии системаҳои FER пешгӯии алгоритмии синфро бо хулосаҳои қавитар дар бораи ҳолати воқеии эҳсосии инсон омехта кардан лозим нест.

Ҷиҳатҳои қавии таҳқиқот

• Ҷараёни FER-ро дар MATLAB аз оғоз то анҷом ба таври омӯзишӣ нишон медиҳад.
• Равиши анъанавии LBP + SVM ва равиши CNN-ро дар як мақола баррасӣ мекунад.
• Коркарди пешакӣ, ошкоркунии чеҳра, истихроҷи хусусият ва таснифро ҳамчун марҳилаҳои ҷудогона шарҳ медиҳад.
• Бо намунаҳои коди MATLAB ҷузъҳои асосии татбиқро намоён мекунад.
• Барои равишҳои анъанавӣ ва омӯзиши амиқ қиматҳои мустақими дақиқиро гузориш медиҳад.

Маҳдудиятҳои методологии таҳқиқот

1. Протоколи баррасии систематикӣ вуҷуд надорад

Ҳарчанд манбаъ худро баррасии фарогир меномад, пойгоҳи додаҳои адабиёт, дархости ҷустуҷӯ, фосилаи санаҳо, меъёрҳои дохил/хориҷ ё ҷараёни интихоби таҳқиқотро пешниҳод намекунад. Аз ин рӯ, гуфтан мумкин нест, ки методологияи баррасии систематикӣ татбиқ шудааст.

2. Маҷмӯи додаҳои таҷрибавӣ мушаххас карда нашудааст

CK+, JAFFE ва FER2013 дар бахши усул ҳамчун маҷмӯи додаҳои намунавӣ номбар мешаванд; аммо муайян нест, ки натиҷаҳои %65 ва %75 дар кадоме ба даст омадаанд.

3. Номувофиқатии шаш синф-ҳафт баромад вуҷуд дорад

Манбаъ шаш синфи асосии эҳсосро зикр мекунад, аммо коди намунавии CNN қабати пурра пайвасти ҳафтбаромадро истифода мекунад.

4. Робитаи усули AdaBoost-SVM шарҳ дода нашудааст

Расми 1 барномаи MATLAB-и ба AdaBoost асосёфтаро нишон медиҳад; усули асосии классикии матн бошад LBP + SVM аст. Шарҳ дода нашудааст, ки ин ду равиш дар як тарҳи таҷрибавӣ чӣ гуна бо ҳам алоқаманданд.

5. Дар тартиби Расмҳои 3 ва 4 номувофиқатии намоён вуҷуд дорад

Дар тасвири унвондори “Before detection” экрани натиҷа дида мешавад, дар ҳоле ки тасвири “after detection” ба ҳолати барвақттари интерфейси корбар монанд аст.

6. Формулировкаи математикӣ нопурра аст

Масъалаи оптимизатсияи SVM ва сохтори математикии LBP ҳамчун унвон зикр шудаанд, аммо дар PDF барои онҳо муодилаҳои намоён дода нашудаанд.

7. Арзёбӣ танҳо ба accuracy маҳдуд аст

Confusion matrix, precision, recall, F1 ё самаранокии синфӣ пешниҳод нашудааст.

8. Тафсилоти такроршавандагӣ нокифоя аст

Азбаски тақсимоти додаҳо, афзоиши додаҳо, суръати омӯзиш, андозаи batch, random seed ва таҷҳизоти истифодашуда гузориш нашудаанд, такрори айнани натиҷаҳо душвор аст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Бо истифода аз MATLAB метавон pipeline-и асосии FER сохт.
• Табдил ба ранги хокистарӣ, баробарсозии гистограмма ва ошкоркунии чеҳра метавонанд ҳамчун қадамҳои коркарди пешакӣ истифода шаванд.
• LBP метавонад барои муаррифии текстураи чеҳра истифода шавад.
• SVM метавонад аз рӯи хусусиятҳои истихроҷшуда таснифи ифодаро анҷом диҳад.
• CNN метавонад истихроҷи хусусият ва таснифро дар як системаи омӯзишӣ муттаҳид кунад.
• Манбаъ барои LBP + SVM %65 ва барои CNN %75 дақиқӣ гузориш медиҳад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Нишон дода нашудааст, ки CNN дар ҳамаи маҷмӯи додаҳои FER %75 дақиқӣ медиҳад.
• Исбот нашудааст, ки CNN дар маҷмӯъ аз ҳамаи усулҳои анъанавӣ беҳтар аст.
• Аҳамияти омории фарқи %10 дақиқӣ нишон дода нашудааст.
• Барои истифодаи саҳроии вақти воқеӣ андозагирии таъхир ё throughput дода нашудааст.
• Умумисозӣ байни фарҳангҳо ва гурӯҳҳои демографӣ арзёбӣ нашудааст.
• Нишон дода нашудааст, ки пешгӯии синфи FER эҳсоси воқеии дохилии шахсро дақиқ муайян мекунад.

Ёддошт оид ба Манбаъ ва Усул

• Унвони аслӣ: Facial expression recognition using MATLAB: A comprehensive review and optimization approach
• Муаллиф 1: Borhan F Jumaa
• Муаллиф 2: Aoznor Y Zainal
• Муаллифи масъул: Borhan F Jumaa
• Муассисаи дар манбаъ навишташуда: Department of Computer Science, Kirkuk of University, Kirkuk, Iraq
• Маҷалла: International Journal of Computing and Artificial Intelligence
• Ҷилд: 7
• Шумора: 1
• Бахш: Part B
• Саҳифаҳо: 118–121
• Сол: 2026
• DOI: 10.33545/27076571.2026.v7.i1b.251
• E-ISSN: 2707-658X
• P-ISSN: 2707-6571
• Санаи қабул: 15-11-2025
• Санаи пазируфтан: 19-12-2025
• Ношир: AkiNik Publications
• Навъи манбаъ: Баррасии ривоятӣ/омӯзишии FER ва равиши татбиқи MATLAB
• Ҳолати тақриз: Сомонаи расмии маҷалла нашрро peer-reviewed/refereed тавсиф мекунад.
• Пайванди расмӣ:https://doi.org/10.33545/27076571.2026.v7.i1b.251

Ёддошти номувофиқии техникии дохили манбаъ

Гарчанде манбаъ шаш синфи ифодаро муайян мекунад, дар намунаи CNN қабати ниҳоии ҳафтбаромад истифода мешавад. Илова бар ин, робитаи таҷрибавӣ байни тасвири интерфейси AdaBoost ва pipeline-и асосии SVM шарҳ дода нашудааст ва байни унвонҳои Расмҳои 3–4 ва ҳолатҳои экран номувофиқии намоёни тартибӣ вуҷуд дорад. Азбаски ин нуқтаҳо дар манбаъ ҳал нашудаанд, Verianla онҳоро хомӯшона ислоҳ намекунад.

Ёддошт оид ба такроршавандагӣ

Манбаъ баъзе фармонҳои MATLAB, қабатҳои CNN ва имконоти омӯзишро медиҳад; аммо барои такрори пурраи натиҷаҳо тақсимоти додаҳо, шумораи намунаҳо, суръати омӯзиш, андозаи mini-batch, random seed, афзоиши додаҳо ва маълумоти таҷҳизот вуҷуд надоранд. Аз ин рӯ, қиматҳои дақиқии %65 ва %75 бояд ҳамчун натиҷаҳои нашршуда интиқол дода шаванд, вале набояд ҳамчун ченакҳои мустақилона тасдиқшудаи benchmark пешниҳод гарданд.

Ҳадди тафсири илмӣ

Системаи FER, ки таҳқиқот баррасӣ мекунад, системаи биниши компютерӣ мебошад, ки тасвирҳои чеҳраро мувофиқи категорияҳои тамғае, ки ҳангоми омӯзиш истифода шудаанд, тасниф мекунад. Ин таҳқиқот нишон намедиҳад, ки ҳолати воқеии психологӣ ё эҳсосии шахсро танҳо аз тасвири чеҳра бо дақиқӣ муайян кардан мумкин аст.