Ushbu tadqiqot yuz tasvirlaridagi ifoda naqshlarini avtomatik tasniflash uchun MATLAB muhitida qo‘llash mumkin bo‘lgan an’anaviy mashinaviy o‘rganish va chuqur o‘rganish yondashuvlarini ko‘rib chiqadi. Yuz ifodasini tanib olish (Facial Expression Recognition, FER) — yuz tasviridagi ko‘rinadigan geometrik va tekstura xususiyatlaridan foydalanib, tasvirni oldindan belgilangan ifoda sinflaridan biriga ajratishga urinadigan kompyuter ko‘rishi va naqshlarni tanib olish muammosidir. Manba tadqiqot baxt, qayg‘u, g‘azab, hayrat, qo‘rquv va jirkanishdan iborat oltita asosiy ifoda sinfini maqsad qiladi; an’anaviy yo‘nalishda yuzni aniqlash, kulrang tusga o‘tkazish, gistogrammani tenglashtirish, Local Binary Patterns (LBP) xususiyatlarini ajratish va Support Vector Machine (SVM) tasnifi qo‘llanadi. Muqobil ravishda MATLAB Deep Learning Toolbox asosida Convolutional Neural Network (CNN) arxitekturasi taklif etiladi.

Manbada keltirilgan natijalarga ko‘ra, LBP xususiyatlari bilan ishlaydigan SVM usuli %65 aniqlik, CNN yondashuvi esa %75 aniqlik bergan. Shunday qilib, ayni maqolaning o‘zida CNN uchun 10 foiz punktga yuqori aniqlik xabar qilingan. Biroq bu qiymatlar qaysi ma’lumotlar to‘plamidan olingani, o‘qitish-test bo‘linishi, namuna soni, sinflar muvozanati, takrorlar soni va boshqa baholash ko‘rsatkichlari aniq berilmagani sababli natijalar nazorat qilinadigan va qayta ishlab chiqariladigan benchmark sifatida talqin qilinmasligi kerak.

Maqolaning muhim metodologik xususiyati tasvirni qayta ishlash pipeline’ini MATLAB kod parchalari bilan konkretlashtirishidir. Manbada tasvirni o‘qish, kulrang tusga o‘tkazish, gistogrammani tenglashtirish, Viola-Jones asosida yuzni aniqlash, LBP xususiyatlarini ajratish, SVMni o‘qitish va CNN o‘qitish sozlamalariga oid misollar mavjud. Shunga qaramay, manba o‘zini keng qamrovli sharh deb ta’riflasa-da, tizimli adabiyotlarni qidirish protokolini taqdim etmaydi; shu sababli tadqiqotni o‘quv/narrativ sharh va namunaviy ilova doirasi sifatida baholash to‘g‘riroqdir.

FER natijalarini ham to‘g‘ri chegaralar bilan talqin qilish kerak. Algoritm yuz tasvirini ma’lumotlar to‘plamida “happy”, “sad” yoki “angry” kabi belgilangan sinfga ajratishi, shaxsning haqiqiy ichki hissiy holatini bevosita o‘lchashini anglatmaydi. Ushbu tadqiqot ham asosan tasvir tasnifi samaradorligini muhokama qiladi.

Yuz Ifodasini Tanib Olish (FER) Nima?

Yuz ifodasini tanib olish yuz tasviridagi og‘iz, ko‘z, qosh va ularning atrofidagi ko‘rinadigan shakl yoki tekstura o‘zgarishlarini sonli xususiyatlarga aylantirib, tasvirni oldindan belgilangan ifoda sinflaridan biriga ajratadigan kompyuter ko‘rishi muammosidir. Manba tadqiqot FERni MATLABda tasvirni dastlabki qayta ishlash, xususiyatlarni ajratish va tasniflashdan iborat pipeline sifatida ko‘rib chiqadi hamda oltita maqsadli sinf sifatida baxt, qayg‘u, g‘azab, hayrat, qo‘rquv va jirkanishni sanab o‘tadi.

FER tizimining asosiy pipeline’i

Manbada ta’riflangan an’anaviy FER jarayonini to‘rtta asosiy bosqichda umumlashtirish mumkin:

1. Yorliqlangan yuz tasvirlarini olish.
2. Tasvirlarni dastlabki qayta ishlash va yuz hududini ajratish.
3. Yuzni ifodalovchi sonli xususiyatlarni ajratish.
4. Ajratilgan xususiyatlardan ifoda sinfini bashorat qilish.

Manba bu pipeline’ni ayniqsa MATLAB vositalari orqali tushuntiradi. Usul bo‘limida standart yuz ifodasi ma’lumotlar to‘plamlariga misol sifatida CK+, JAFFE va FER2013 nomlari keltiriladi. Ular o‘qitish va test uchun yorliqlangan yuz tasvirlarini berishi mumkin bo‘lgan ma’lumot manbalari sifatida tilga olinadi; ammo maqolada xabar qilingan %65 va %75 aniqlik aynan qaysi biri bilan olingani ko‘rsatilmagan.

Tasvirni olish nega birinchi bosqich?

Tasniflagich yuz ifodalarini o‘z-o‘zidan bilmaydi; avval turli sinflarni ifodalovchi yorliqlangan namunalarga ehtiyoj sezadi. Manba buni turli yuz ifodalarini o‘z ichiga olgan katta fotoalbomga o‘xshatadi. O‘qitish ma’lumotlaridagi har bir tasvir “happy”, “sad”, “angry”, “surprised”, “afraid” yoki “disgusted” kabi sinf yorlig‘iga ega deb faraz qilinadi.

O‘qitishdan keyin yangi tasvir xuddi shu ifoda fazosiga aylantiriladi va model ilgari o‘rgangan naqshlar asosida sinf yorlig‘ini chiqaradi. Bu yerda algoritm ko‘rinadigan tasvir xususiyatlari bilan o‘qitish jarayonida o‘rganilgan sinf tuzilmalari orasida naqsh mosligini amalga oshiradi.

Manbada keltirilgan ma’lumotlar to‘plamlari

Manba bu uch ma’lumotlar to‘plamining barchasini bitta tajribada birgalikda ishlatganini ochiq aytmaydi. Shuning uchun ularning nomlari usul bo‘limida mavjud bo‘lishining o‘zi xabar qilingan samaradorlik natijalari uchalasidan birgalikda olinganini anglatmaydi.

PDFdagi MATLAB interfeysi

Manbaning 2-sahifasidagi 1-rasm “AdaBoost Facial Expression Recognition” nomli MATLAB asosidagi grafik foydalanuvchi interfeysini ko‘rsatadi. Interfeysda tasvir tanlash, tanlangan tasvirni ma’lumotlar bazasiga qo‘shish, yuz ifodasini tanib olish, ma’lumotlar bazasi ma’lumotlarini ko‘rsatish, ma’lumotlar bazasini o‘chirish, dastur ma’lumotlari va manba kodini ko‘rish kabi funksiyalar mavjud.

Ushbu rasm o‘quv nuqtai nazaridan FER ilovasining foydalanuvchi tomonidagi oqimini ko‘rsatadi. Biroq maqolaning asosiy an’anaviy tasniflagichi SVM sifatida taqdim etilgani sababli AdaBoost interfeysi SVM-CNN samaradorlik taqqoslashiga qanday bog‘langani manbada tushuntirilmagan.

Manba tasvir kutubxonasi

PDFning 2-sahifasidagi 2-rasm ko‘plab kulrang tusdagi yuz tasvirlaridan iborat yuz ifodasi tasvir kutubxonasini ko‘rsatadi. Vizual tasnif tizimi bitta tasvir emas, balki o‘qitish namunalaridan iborat ma’lumotlar bazasi mantiqi bilan ishlashini yaqqol ko‘rsatadi.

Dastlabki qayta ishlash bosqichi

Manba xom tasvirni bevosita tasniflagichga berish o‘rniga avval normallashtirishni tavsiya qiladi. Uchta asosiy amal ko‘rsatilgan:

• Kulrang tusga o‘tkazish: Rang kanallarini bitta intensivlik kanaliga tushirib, qayta ishlanadigan ma’lumot tuzilmasini soddalashtiradi.
• Gistogrammani tenglashtirish: Tasvir kontrastini tartibga solib, past yoki nomutanosib kontrastning xususiyat ajratishga ta’sirini kamaytirishni maqsad qiladi.
• Yuzni aniqlash: Viola-Jones kabi yuz detektori bilan tasvirdagi yuz sohasi aniqlanadi va qirqiladi.

Manbaning MATLAB misolida tasvirni o‘qish uchun imread, kulrang tusga o‘tkazish uchun rgb2gray, gistogrammani tenglashtirish uchun histeq, yuzni aniqlash uchun vision.CascadeObjectDetector va qirqish uchun imcrop funksiyalari ishlatiladi.

Yuzni aniqlashdan oldin va keyin ko‘rsatilgan interfeyslar

PDFning 3-sahifasida bir xil FER interfeysiga oid ikkita skrinshot mavjud. Manba ularni 3-rasm “before detection” va 4-rasm “after detection” deb ataydi. Ammo 3-rasm ekranida tanilgan ifoda “Surprise” ekanini ko‘rsatuvchi natija maydoni ko‘rinadi, 4-rasmda esa yangi tanlangan tasvir hali ma’lumotlar bazasiga qo‘shilishi mumkinligini bildiruvchi xabar bor. Shu sababli rasm nomlari bilan interfeys holatlari o‘rtasida ko‘rinadigan ketma-ketlik nomuvofiqligi mavjud.

LBP va SVM Birgalikda Qanday Ishlaydi?

Manba yondashuvida Local Binary Patterns (LBP) yuz tasviridagi mahalliy tekstura o‘zgarishlarini sonli xususiyatlarga aylantiradi; Support Vector Machine (SVM) esa ushbu xususiyat vektorlaridan foydalanib, turli ifoda sinflarini ajratuvchi qaror chegarasini o‘rganadi. Shunday qilib, LBP tasvir ifodasini hosil qiladi, SVM esa shu ifoda asosida sinf yorlig‘ini bashorat qiladi.

Local Binary Patterns nimani ifodalaydi?

LBP markaziy piksel va qo‘shni piksellarning intensivligini solishtiradigan mahalliy tekstura deskriptoridir. Manba izohiga ko‘ra, qo‘shni piksel qiymati markaziy pikselga teng yoki undan katta bo‘lsa ikkilik 1, aks holda 0 qiymati hosil qilinadi. Ushbu taqqoslashlardan tuzilgan ikkilik naqsh mahalliy tasvir teksturasini ifodalaydi.

Yuz ifodalarida ayniqsa og‘iz, ko‘zlar va qoshlar atrofidagi kichik shakl va tekstura o‘zgarishlari muhim. Manba LBPdan tabassum, qosh chimirish yoki qosh ko‘tarish kabi ifoda o‘zgarishlariga aloqador mahalliy tekstura farqlarini tutish uchun foydalanish mumkinligini qayd etadi.

MATLAB tomonida manba bu amal uchun extractLBPFeatures funksiyasidan foydalanadi.

HOG muqobili

Manba xususiyat ajratish uchun Histogram of Oriented Gradients (HOG) usulini ham muqobil sifatida sanab o‘tadi. HOG tasvir intensivligidagi yo‘nalgan gradientlarning taqsimotini umumlashtirib, shakl va qirra tuzilmalari haqida xususiyat hosil qiladi. Biroq tadqiqotdagi sonli %65 natija aniq ravishda “SVM with LBP Features” yondashuviga bog‘langan; HOG uchun alohida samaradorlik qiymati berilmagan.

SVMning roli

Support Vector Machine — o‘qitish namunalaridan turli sinflarni bir-biridan ajratadigan qaror chegarasini o‘rganadigan nazoratli mashinaviy o‘rganish usuli. Manba SVM yuqori o‘lchamli xususiyat fazolarida samarali bo‘lgani sababli FER tasnifida keng qo‘llanilishini bildiradi.

MATLAB misolida fitcsvm orqali modelni o‘qitish, predict orqali test xususiyatlarini tasniflash ko‘rsatiladi.

Manba “Mathematical Formulation” bo‘limida SVM optimallashtirish muammosi sinflarni eng yaxshi ajratuvchi gipertekislikni topishni maqsad qilishini aytadi. Biroq nashr etilgan PDFda haqiqiy optimallashtirish tenglamasi ko‘rinadigan tarzda berilmagani uchun Verianla standart SVM tenglamasini manbaning o‘z formulasi sifatida qo‘shmaydi.

An’anaviy yondashuvning asosiy bog‘liqligi

LBP + SVM pipeline’ida xususiyat ifodasi tasniflagichdan oldin aniq tarzda loyihalanadi. Ya’ni model qaror chiqara olishi uchun avval inson tanlagan tasvir ifodalash usuli — LBPdan foydalaniladi. CNN yondashuvining asosiy farqi esa xususiyat ajratishni ham o‘rganish jarayonining ichiga kiritishidir.

CNN Asosidagi FER Ushbu Tadqiqotda Qanday Qurilgan?

Manbada taklif qilingan CNN 48 × 48 piksel o‘lchamdagi bir kanalli yuz tasvirlarini kirish sifatida qabul qiladigan; konvolyutsiya, batch normalization, ReLU, max pooling, to‘liq bog‘langan qatlam, softmax va tasniflash qatlamlaridan iborat kichik chuqur o‘rganish arxitekturasidir. Tarmoq MATLAB Deep Learning Toolbox yordamida Adam optimallashtirish usuli bilan o‘qitiladi.

Manbada berilgan CNN qatlamlari

Oltita ifoda sinfi bilan yettita chiqish orasidagi nomuvofiqlik

Maqolaning annotatsiya va kirish bo‘limlari tizim oltita asosiy ifodani tanib olishni maqsad qilishini aniq bildiradi: baxt, qayg‘u, g‘azab, hayrat, qo‘rquv va jirkanish. Bunga qarshi ravishda CNN kodidagi oxirgi to‘liq bog‘langan qatlam yettita chiqishga ega. Manba yettinchi sinf “neutral” yoki boshqa ifoda ekanini aytmaydi. Shu sababli yettita chiqishning sababi manbada yechilmagan arxitektura noaniqligi bo‘lib qoladi.

CNN o‘qitish sozlamalari

Manbada o‘qitish uchun Adam optimallashtirish usuli qo‘llanadi. Kodda maksimal epoch soni 10, validatsiya chastotasi 30 deb berilgan va o‘qitish jarayoni grafigini ko‘rsatish so‘raladi.

Biroq manba o‘rganish tezligi, mini-batch o‘lchami, random seed, ma’lumotlarni ko‘paytirish usuli, o‘qitish va test tasvirlari soni yoki apparat xususiyatlarini bildirmaydi.

Tadqiqot Usuli va Natijalari

Manbada ta’riflangan FER pipeline’i

Tadqiqotning an’anaviy MATLAB pipeline’i quyidagi tartibni kuzatadi:

1. Yorliqlangan yuz tasvirlarini ma’lumotlar to‘plamidan yuklash.
2. Yuz tasvirini kulrang tusga o‘tkazish.
3. Gistogrammani tenglashtirish bilan kontrastni yaxshilash.
4. Viola-Jones asosidagi yuz detektori bilan yuz hududini topish.
5. Topilgan yuz hududini qirqish.
6. LBP yoki HOG asosida xususiyat ajratish.
7. SVM bilan ifoda tasnifi.

Chuqur o‘rganish muqobili pipeline’ning xususiyat ajratish va tasniflash qismini CNN ichida birgalikda o‘rganishni maqsad qiladi.

Xabar qilingan aniqlik taqqoslanishi

Manba qiymatlari orasida 10 foiz punkt farq bor. Bu faqat maqolada xabar qilingan eksperimental taqqoslashdir.

Ushbu Tadqiqotda CNN, LBP + SVMga Qaraganda Muvaffaqiyatliroqmi?

Manbada keltirilgan yagona aniqlik taqqoslanishiga ko‘ra, ha: CNN uchun %75, LBP xususiyatlari bilan ishlaydigan SVM uchun %65 aniqlik xabar qilingan. Biroq qaysi ma’lumotlar to‘plami va qaysi train/test protokoli ishlatilgani ko‘rsatilmagani sababli bu 10 foiz punkt farq CNN FER muammolarida umumiy yoki statistik jihatdan ustunligini o‘z-o‘zicha isbotlamaydi.

CNN haqida manbada berilgan talqin

Mualliflar CNNlar ko‘z, qosh va og‘iz kabi hududlardagi murakkab tasvir naqshlarini qatlamlar bo‘ylab avtomatik o‘rganishi va qo‘lda xususiyat tanlashga bog‘liqlikni kamaytirishini ta’kidlaydi. Shu sababli manba chuqur o‘rganish yondashuvini yanada moslashuvchan FER yechimi deb baholaydi.

Ammo CNN aynan nima sababdan %75 natijaga erishganini izohlovchi ablatsiya tajribasi yoki arxitektura taqqoslanishi keltirilmagan. Masalan, batch normalization, pooling yoki filtrlar sonining alohida ta’siri tekshirilmagan.

Samaradorlik taqqoslashida yetishmaydigan ma’lumotlar

FER modelining samaradorligini ishonchli taqqoslash uchun faqat aniqlikning o‘zi yetarli bo‘lmasligi mumkin. Manbada quyidagi ma’lumotlar keltirilmagan:

• Jami tasvir yoki shaxslar soni.
• Har bir sinfdagi namunalar soni.
• Aniq ishlatilgan ma’lumotlar to‘plami.
• O‘qitish/validatsiya/test nisbatlari.
• Shaxsdan mustaqil test qo‘llangan-qo‘llanmagani.
• Cross-validation usuli.
• Random seed.
• Confusion matrix.
• Sinf bo‘yicha precision.
• Sinf bo‘yicha recall.
• F1-score.
• Ishonch oralig‘i.
• Takroriy tajribalarning o‘rtachasi va standart og‘ishi.

Shu sababli %65 va %75 qiymatlari manbada xabar qilingan natijalar sifatida saqlanishi, ammo yuqori aniqlikdagi benchmark natijalari sifatida kengaytirib talqin qilinmasligi kerak.

Yuz Ifodasi Sinfi Shaxsning Haqiqiy Hissiyotini Aniq Ko‘rsatadimi?

Yo‘q. Bunday FER modellari yuz tasvirini o‘qitish ma’lumotlar to‘plamida belgilangan ko‘rinadigan ifoda sinflari bo‘yicha tasniflaydi; bu tasnif shaxsning haqiqiy, ichki yoki kontekstual hissiy holatini bevosita o‘lchamaydi. Manba tadqiqot ham texnik jihatdan tasvir tasnifi yondashuvini ishlab chiqadi va xabar qilingan %65 hamda %75 qiymatlarni shu tasniflash vazifasi asosida beradi.

Bu farq nega muhim?

Yuz harakatining muayyan ma’lumotlar to‘plamida “anger” yoki “surprise” yorlig‘i bilan moslashtirilishi turli madaniy, shaxsiy yoki kontekstual sharoitlarda ayni ko‘rinish bitta va aniq psixologik ma’noga ega ekanini ko‘rsatmaydi. Shu sababli FER tizimlarini baholashda algoritmik sinf bashorati bilan insonning haqiqiy hissiy holati haqida kuchliroq xulosalarni bir-biriga aralashtirmaslik kerak.

Tadqiqotning kuchli jihatlari

• MATLABda boshidan oxirigacha FER ish jarayonini o‘quv tarzida ko‘rsatadi.
• An’anaviy LBP + SVM yondashuvini CNN yondashuvi bilan ayni maqolada ko‘rib chiqadi.
• Dastlabki qayta ishlash, yuzni aniqlash, xususiyat ajratish va tasniflashni alohida bosqichlarda tushuntiradi.
• MATLAB kod misollari orqali asosiy amaliy komponentlarni ko‘rinadigan qiladi.
• An’anaviy va chuqur o‘rganish asosidagi yondashuvlar uchun bevosita aniqlik qiymatlarini keltiradi.

Tadqiqotning metodologik cheklovlari

1. Tizimli sharh protokoli mavjud emas

Manba o‘zini keng qamrovli sharh deb atasa-da, adabiyotlar ma’lumotlar bazasi, qidiruv so‘rovi, sana oralig‘i, kiritish/chiqarish mezonlari yoki tadqiqot tanlash oqimini keltirmaydi. Shu sababli tizimli sharh metodologiyasi qo‘llangan deb bo‘lmaydi.

2. Tajriba ma’lumotlar to‘plami aniqlashtirilmagan

CK+, JAFFE va FER2013 usul bo‘limida namunaviy ma’lumotlar to‘plamlari sifatida sanab o‘tiladi; ammo %65 va %75 natijalar qaysi birida olingani ko‘rsatilmagan.

3. Oltita sinf-yettita chiqish nomuvofiqligi mavjud

Manba oltita asosiy hissiyot sinfidan so‘z yuritsa, CNN namunaviy kodi yettita chiqishga ega to‘liq bog‘langan qatlamdan foydalanadi.

4. AdaBoost-SVM usullari o‘rtasidagi aloqa tushuntirilmagan

1-rasm AdaBoost asosidagi MATLAB ilovasini ko‘rsatadi; matnning asosiy klassik usuli esa LBP + SVMdir. Bu ikki yondashuv ayni tajriba tuzilmasida qanday bog‘langanligi tushuntirilmagan.

5. 3 va 4-rasmlar ketma-ketligida ko‘rinadigan nomuvofiqlik bor

“Before detection” deb nomlangan tasvirda natija ekrani ko‘rinsa, “after detection” deb nomlangan tasvir oldingi foydalanuvchi interfeysi holatiga o‘xshaydi.

6. Matematik formulalash tugallanmagan

SVM optimallashtirish muammosi va LBP matematik tuzilmasi sarlavha sifatida tilga olinsa-da, PDFda ularga oid ko‘rinadigan tenglamalar berilmagan.

7. Baholash faqat accuracy bilan cheklangan

Confusion matrix, precision, recall, F1 yoki sinf bo‘yicha samaradorlik ko‘rsatilmagan.

8. Qayta ishlab chiqarish tafsilotlari yetishmaydi

Ma’lumotlarni bo‘lish, ma’lumotlarni ko‘paytirish, o‘rganish tezligi, batch o‘lchami, random seed va ishlatilgan apparat kabi tafsilotlar xabar qilinmagani sababli natijalarni aynan qayta takrorlash qiyin.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• MATLAB yordamida asosiy FER pipeline’ini qurish mumkin.
• Kulranglashtirish, gistogrammani tenglashtirish va yuzni aniqlash dastlabki qayta ishlash bosqichlari sifatida ishlatilishi mumkin.
• LBP yuz teksturasini ifodalash uchun ishlatilishi mumkin.
• SVM ajratilgan xususiyatlar asosida ifoda tasnifini amalga oshirishi mumkin.
• CNN xususiyat ajratish va tasniflashni bitta o‘rganish tizimida birlashtira oladi.
• Manbada LBP + SVM uchun %65 va CNN uchun %75 aniqlik xabar qilingan.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

• CNN barcha FER ma’lumotlar to‘plamlarida %75 aniqlikka erishishi ko‘rsatilmagan.
• CNN barcha an’anaviy usullardan umumiy jihatdan ustunligi isbotlanmagan.
• %10 aniqlik farqining statistik ahamiyati ko‘rsatilmagan.
• Real vaqtli amaliy foydalanishda kechikish yoki throughput o‘lchovi berilmagan.
• Madaniyatlar va demografik guruhlar bo‘yicha umumlashtirish qobiliyati baholanmagan.
• FER sinf bashoratlari shaxsning haqiqiy ichki hissiyotini aniq belgilashi ko‘rsatilmagan.

Manba va Usul Haqida Izoh

• Asl sarlavha: Facial expression recognition using MATLAB: A comprehensive review and optimization approach
• Muallif 1: Borhan F Jumaa
• Muallif 2: Aoznor Y Zainal
• Mas’ul muallif: Borhan F Jumaa
• Manbada yozilgan muassasa: Department of Computer Science, Kirkuk of University, Kirkuk, Iraq
• Jurnal: International Journal of Computing and Artificial Intelligence
• Jild: 7
• Son: 1
• Bo‘lim: Part B
• Sahifalar: 118–121
• Yil: 2026
• DOI: 10.33545/27076571.2026.v7.i1b.251
• E-ISSN: 2707-658X
• P-ISSN: 2707-6571
• Qabul qilingan sana: 15-11-2025
• Qabul sanasi: 19-12-2025
• Nashriyot: AkiNik Publications
• Manba turi: Narrativ/o‘quv FER sharhi va MATLAB amaliy yondashuvi
• Taqriz holati: Jurnalning rasmiy sayti nashrni peer-reviewed/refereed deb ta’riflaydi.
• Rasmiy havola:https://doi.org/10.33545/27076571.2026.v7.i1b.251

Manba ichidagi texnik nomuvofiqlik qaydi

Manba oltita ifoda sinfini belgilashiga qaramay, CNN misolida yettita chiqishga ega so‘nggi qatlamdan foydalanadi. Bundan tashqari, AdaBoost interfeysi tasviri bilan asosiy SVM pipeline’i o‘rtasidagi eksperimental bog‘lanish tushuntirilmagan va 3–4-rasmlarning sarlavhalari bilan ekran holatlari orasida ko‘rinadigan ketma-ketlik nomuvofiqligi mavjud. Bu jihatlar manbada hal qilinmagani sababli Verianla ularni yashirin tarzda tuzatmaydi.

Qayta ishlab chiqarish qaydi

Manba ayrim MATLAB buyruqlari, CNN qatlamlari va o‘qitish parametrlarini beradi; biroq natijalarni to‘liq qayta ishlab chiqarish uchun zarur bo‘lgan ma’lumotlarni bo‘lish, namuna soni, o‘rganish tezligi, mini-batch o‘lchami, random seed, ma’lumotlarni ko‘paytirish va apparat ma’lumotlari mavjud emas. Shu sababli %65 va %75 aniqlik qiymatlari nashr etilgan natijalar sifatida keltirilishi, ammo mustaqil tasdiqlangan benchmark o‘lchovlari kabi taqdim etilmasligi kerak.

Ilmiy talqin chegarasi

Tadqiqotda ko‘rib chiqilgan FER tizimi yuz tasvirlarini o‘qitish vaqtida ishlatilgan yorliq kategoriyalariga ko‘ra tasniflaydigan kompyuter ko‘rishi tizimidir. Ushbu tadqiqot shaxsning haqiqiy psixologik yoki hissiy holatini faqat yuz tasviri asosida aniq belgilash mumkinligini ko‘rsatmaydi.