Mathesis Wiki

Diese Seite ist nicht editierbar. Sie können den Quelltext sehen, jedoch nicht verändern. Kontaktieren Sie den Administrator, wenn Sie glauben, dass hier ein Fehler vorliegt.
__**Protokoll vom 21.11.2019**__

	Beschäftigung mit den Hinweisen von Stefan

	Anschauen ähnlicher Projekte, die bereits in Mathesis umgesetzt wurden
-----------------------------------------------------------------------------------------------------------
__**Quellen:**__

https://medium.com/themlblog/how-to-do-facial-emotion-recognition-using-a-cnn-b7bbae79cd8f

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6514572/

https://iopscience.iop.org/article/10.1088/1742-6596/1193/1/012004/pdf

https://medium.com/ai³-theory-practice-business/ai-scholar-deep-learning-facial-expression-recognition-research-fcaa0a9984b6

https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/overview

https://towardsdatascience.com/face-detection-recognition-and-emotion-detection-in-8-lines-of-code-b2ce32d4d5de

Für Bilder: http://academictorrents.com/details/71631f83b11d3d79d8f84efe0a7e12f0ac001460
Für Musik: https://cs.nju.edu.cn/sufeng/data/musicmood.htm

Mit Labels, die mehr das Genre betreffen (aber zumindest indirekt auch was mit Stimmungen zu tun haben):
http://millionsongdataset.com/

Interessant auch https://github.com/neokt/audio-music-mood-classificationhttps://neokt.github.io/projects/audio-music-mood-classification/

---------------------------------------------------------------------------------------------------------
**__Was sollten wir beachten?__**

- Hinweise von Stefan Born: sollten (große) öffentliche Datensätze finden, bei denen Bilder, bzw. Musikstücke mit ästhetischen bzw. Stimmungs-Labels versehen sind
---------------------------------------------------------------------------------------------------------
**__Weitere Notizen:__**
Stimmungsklassifikation von Bildern ist nicht ganz einfach. 
Die funktionierenden Methoden beruhen darauf, neuronale Netzwerke auf Features zu trainieren, die ihrerseits aus den mittleren Schichten von neuronalen Netzwerken kommen, die für andere Aufgaben trainiert wurden. 

(Typischerweise die Gewinner der großen ImageNet-Challenges, bei denen es um Bildklassifikation geht, AlexNet, ResNet,…) Es kann sich lohnen, außerdem noch summarische Statistiken der Bildfarben o.ä. als Eingabe zu verwenden.

Ein typisches Beispiel ist hier:
https://arxiv.org/pdf/1705.07543.pdf

---> alles lässt sich mit den Paketen keras + tensorflow realisieren. 
Damit's nicht ewig dauert, braucht man eine GPU, es kann sich lohnen, die Modelle auf Google Colab zu rechnen.

---------------------------------------------------------------------------------------------------------
Fragen:
---> Wie funktionieren neuronalen Netzwerke? 
     Was können neuronalen Netzwerke?
     Wie würde die Implementation in Python aussehen?
     
---------------------------------------------------------------------------------------------------------    
FAZIT: - Beschäftigung mit neuronalen Netzwerken nötig
Mathesis Wiki

Benutzer-Werkzeuge

Webseiten-Werkzeuge

Seiten-Werkzeuge
