Reconocimiento de expresiones faciales en imágenes mediante técnicas de aprendizaje profundo

RECONOCIMIENTO DE EXPRESIONES FACIALES EN IMÁGENES MEDIANTE TÉCNICAS DE APRENDIZAJE PROFUNDO TRABAJO FIN DE GRADO CURSO 2023-2024 AUTORES JESÚS HERNÁNDEZ GUILLAMOT PABLO MATARRANZ BURGOS DIRECTOR GONZALO PAJARES MARTINSANZ COLABORADORA EXTERNA CLARA ISABEL LÓPEZ GONZÁLEZ DOBLE GRADO EN INGENIERÍA INFORMÁTICA Y ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS FACULTAD DE INFORMÁTICA UNIVERSIDAD COMPLUTENSE DE MADRID RECONOCIMIENTO DE EXPRESIONES FACIALES EN IMÁGENES MEDIANTE TÉCNICAS DE APRENDIZAJE PROFUNDO RECOGNITION OF FACIAL EXPRESSIONS IN IMAGES USING DEEP LEARNING TECHNIQUES TRABAJO DE FIN DE GRADO EN INGENIERÍA INFORMÁTICA AUTOR JESÚS HERNÁNDEZ GUILLAMOT PABLO MATARRANZ BURGOS DIRECTOR GONZALO PAJARES MARTINSANZ COLABORADORA EXTERNA CLARA ISABEL LÓPEZ GONZÁLEZ CONVOCATORIA: JUNIO 2024 DOBLE GRADO EN INGENIERÍA INFORMÁTICA Y ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS FACULTAD DE INFORMÁTICA UNIVERSIDAD COMPLUTENSE DE MADRID 5DE JUNIO DE 2024 DEDICATORIA Jesús He nández Guillamo : A mis pad es y mi he mana, que me han ayudado siemp e en los momen os du os de mi ca e a, y a mis compañe os de clase que me han esuel o muchas dudas. Pablo Ma a anz Bu gos: A mis compañe os de clase po hace que las clases sean más en e enidas y ayuda me cuando lo he necesi ado y a mi amilia y a mi no ia po apoya me en odo momen o y da me ánimos en los momen os di íciles. 3 AGRADECIMIENTOS A nues o u o , que nos ha ayudado de la mejo mane a posible con nues o T abajo de Fin de G ado, o eciendo odos los ecu sos necesa ios y esol iendo odas nues as dudas. 4 RESUMEN Es e abajo explica el uncionamien o de la aplicación desa ollada que, a g andes asgos, consis e en la iden i icación de exp esiones aciales median e écnicas de ap endizaje p o undo. Pa a log a iden i ica las se u ilizan edes neu onales (AlexNe , Squeezene ) que una ez en enadas, se dispone del modelo con los pa áme os ajus ados. De es a o ma, es posible clasi ica la imagen de una ca a en unción de su exp esión acial y de acue do a una de las ca ego ías disponibles. Desde el pun o de is a de la implemen ación, las imágenes equie en un edimensionado, pa a se p ocesadas po los modelos de edes co espondien es, como paso p e io al econocimien o acial. En la aplicación se pe mi e selecciona SqueezeNe o AlexNe como ed neu onal y modi ica los pa áme os opcionales de en enamien o que ienen po de ec o. Palab as cla e Exp esiones aciales, ap endizaje p o undo, edes neu onales con olucionales, SqueezeNe , AlexNe . 5 ABSTRACT This wo k explains he ope a ion o he de eloped applica ion, which, in b oad e ms, consis s o iden i ying acial exp essions using deep lea ning echniques. To achie e his iden i ica ion, neu al ne wo ks (AlexNe , Squeezene ) a e employed. Once ained, he model wi h adjus ed pa ame e s is a ailable. This enables he classi ica ion o a acial image based on i s acial exp ession and acco ding o one o he a ailable ca ego ies. F om an implemen a ion s andpoin , images equi e esizing o be p ocessed by he co esponding ne wo k models as a p elimina y s ep o acial ecogni ion. The applica ion allows o selec ing SqueezeNe o AlexNe as he neu al ne wo k and modi ying he op ional aining pa ame e s ha come by de aul . Keywo ds Facial exp essions, deep lea ning, con olu ional neu al ne wo ks, SqueezeNe , AlexNe . 6 ÍNDICE DE CONTENIDOS Capí ulo 1 - In oducción...........................................................................................................1 1.1 An eceden es.................................................................................................................. 1 1.1.1 Exp esiones aciales................................................................................................1 1.1.2 In eligencia a i icial............................................................................................... 2 1.2 Mo i ación........................................................................................................................4 1.3 Obje i os...........................................................................................................................5 1.4 Plan de abajo................................................................................................................ 6 1.5 Es uc u a del abajo......................................................................................................7 Capí ulo 2 - Redes neu onales con olucionales como écnica aplicada.........................8 2.1 Ope aciones en edes neu onales con olucionales.................................................. 8 2.1.1 Mé odos de op imización......................................................................................8 2.1.2 Con olución..........................................................................................................10 2.1.3 So max.................................................................................................................. 13 2.2 Modelos de Redes Neu onales Con olucionales......................................................14 2.2.1 AlexNe ...................................................................................................................14 2.2.2 Squeezene ............................................................................................................17 Capí ulo 3 - Desc ipción de la aplicación............................................................................ 22 3.1 E apa de en enamien o..............................................................................................22 3.1.1 Selección de la ed neu onal..............................................................................23 3.1.2 Pa áme os de en enamien o............................................................................23 7 3.1.3 Finalización del en enamien o...........................................................................25 3.2 E apa de iden i icación................................................................................................26 3.3 Da aSe ........................................................................................................................... 28 3.4 He amien as u ilizadas................................................................................................. 30 Capí ulo 4 - Resul ados ob enidos..........................................................................................31 4.1 Fase de en enamien o................................................................................................ 32 4.2 Fase de iden i icación...................................................................................................40 4.3 P oblemas conocidos................................................................................................... 44 Capí ulo 5 - Conclusiones y abajo u u o............................................................................46 5.1 Conclusiones.................................................................................................................. 46 5.2 T abajo u u o................................................................................................................. 46 In oduc ion................................................................................................................................ 48 P elimina y.............................................................................................................................48 Facial exp essions................................................................................................................ 48 A i icial in elligence............................................................................................................ 49 Mo i a ion.............................................................................................................................51 Goals..................................................................................................................................... 51 Wo k plan..............................................................................................................................52 Conclusions and u u e wo k....................................................................................................54 Conclusions...........................................................................................................................54 Fu u e Wo k...........................................................................................................................54 Con ibuciones Pe sonales....................................................................................................... 56 Bibliog a ía..................................................................................................................................62 8 máquina que se ía capaz de lee un papel pe o ado y ejecu a las ins ucciones esc i as en él. En 1943 Wa en McCulloch y Wal e Pi s p esen a on el p ime modelo de neu onas a i iciales, que ue consolidado sie e años más a de po Alan Tu ing cuando ambién c eó el es de Tu ing. A pesa de odo es o, no ue has a 1956 cuando John McCa hy usó po p ime a ez la exp esión de “in eligencia a i icial” pa a e e i se a “la ciencia e ingenio de hace las máquinas in eligen es” (Rebollo Delgado, 2023). En el campo de la de ección de emociones median e in eligencia a i icial, de mane a con encional, se ha basado en ene en cuen a exp esiones aciales, ges os co po ales e incluso el habla. No obs an e, las écnicas de econocimien o de exp esiones aciales po pa e de una máquina suelen se poco iables, debido a la g an can idad de o mas en las que nues o os o puede ansmi i emociones. Es po ello que, los esul ados ob enidos po IA, en enada p e iamen e con da ase s, pa a de ec a cie as exp esiones no suelen se muy p ecisos. De es a mane a, los es udios se ayudaban en muchos casos de elec oca diog amas pa a que los esul ados ob enidos uesen más p ecisos, pe o con el in de deja a un lado es e mé odo an apa a oso, e mina on inno ando median e la u ilización del ap endizaje p o undo con ayuda de señales de adio ino ensi as como ondas Wi i, de adio o de ada (Rod íguez, 2023). Cie os in es igado es lle a on a cabo un expe imen o en el que los pa icipan es eían un ídeo que e ocaba una de las emociones básicas (place , aleg ía, is eza o i a) y median e señales de adio ino ensi as medían las señales que ebo aban en es os. Fue de es a mane a como al analiza es os cambios de señales p oducidos po mo imien os co po ales se e minó encon ando in o mación, an es ocul a, en la ecuencia espi a o ia y ca díaca de los suje os es udiados. Así Ahsan Noo Khan (2021), es udian e de doc o ado en Queen Ma y y coau o del es udio, decla aba al espec o que: "se capaz de de ec a emociones u ilizando sis emas inalámb icos es un mé odo de c ecien e in e és pa a los in es igado es, ya que o ece 3 una al e na i a a los senso es oluminosos ac uales y pod ía se di ec amen e aplicable en u u os en o nos de i iendas y edi icios 'in eligen es'. "En es e es udio, nos basamos en el abajo exis en e u ilizando ondas de adio pa a de ec a emociones y demos a que el uso de écnicas de ap endizaje p o undo puede mejo a la p ecisión de nues os esul ados", añade (Rod íguez, 2023). Es as inno aciones pueden se c uciales de ca a al u u o ya que se ab en in inidad de pue as, como el bienes a emocional en el abajo o en o os campos, la a ención médica o incluso la psicología, aunque es un a ma de doble ilo y pod ía in adi nues a p opia p i acidad. En la e a con empo ánea, con los no ables a ances y log os en el campo del Ap endizaje P o undo, econocido como un pa adigma des acado en el ámbi o de la In eligencia A i icial, su ge un in e és conside able en explo a su aplicación pa a el econocimien o plan eado. 1.2 Mo i ación La in eligencia a i icial es un campo que se encuen a en pleno auge y desa ollo debido a la ecien e i alización de Cha GPT y o as aplicaciones de cha bo . Debido a es a azón y a la in inidad de posibles aplicaciones de la in eligencia a i icial en el u u o, se ha decidido hace es e abajo pa a adqui i nue os conocimien os sob e es e campo. Po o a pa e, se ha en ocado el p oyec o en la iden i icación de exp esiones aciales po que se nos ocu ió que una aplicación que iden i ique el es ado de ánimo de los empleados y lo elacione con su p oduc i idad, pod ía se una buena o ma de incula de alguna mane a es e p oyec o con nues a o a ca e a, Adminis ación y Di ección de Emp esas. 4 De es a o ma, es e p oyec o nos puede ayuda a comp ende mejo la in eligencia a i icial, más conc e amen e el ap endizaje p o undo, y da nos la opo unidad de segui desa ollándolo pa a con e i lo en una aplicación que ayude a los di ec i os de las emp esas a iden i ica p oblemas de p oduc i idad de i ados del males a de alguno de sus empleados. 1.3 Obje i os El obje i o p incipal de es e abajo es c ea una aplicación que consis a en el econocimien o de exp esiones aciales a pa i de imágenes a a és de écnicas especí icas basadas en Ap endizaje P o undo. Es a aplicación pod ía se u ilizada en el ámbi o emp esa ial pa a conoce el es ado emocional de los abajado es, y así implemen a cie as medidas po pa e de los di ec o es de las emp esas. An es de desa olla la aplicación y du an e su desa ollo se han di e enciado e iden i icado los siguien es obje i os: - C ea una aplicación con u ilidad emp esa ial pa a mejo a las condiciones labo ales de los abajado es. - En ende y es udia los modelos de ap endizaje p o undo, como AlexNe y SqueezeNe , pa a pode implemen a los en la aplicación a desa olla . - Pe mi i el en enamien o de es os modelos a a és de cie os pa áme os modi icados po el usua io. - Ob ene da ase s de calidad y con una can idad de imágenes su icien e pa a un en enamien o co ec o. - Desa olla una aplicación in ui i a y sencilla pa a que el usua io no enga di icul ad en su u ilización a a és de Ma lab. - Valida y comp oba el en enamien o de los modelos u ilizados pa a mejo a los esul ados ob enidos y que sean más p ecisos. 5 1.4 Plan de abajo Pa a ealiza es e abajo se han seguido los siguien es pasos: - An es de comenza el p oyec o pensamos en un ema que pudie a ene alguna elación con Adminis ación y Di ección de Emp esas, den o del doble g ado que es amos cu sando. - Busca Da aSe s álidos y con su icien es imágenes en las que se pueda in e p e a de o ma cla a una exp esión acial pa a clasi ica las en las exp esiones elegidas. - Disminución de la can idad inicial de exp esiones aciales elegidas de ocho a cua o, debido a que al algo i mo le e a muy di ícil di e encia algunas exp esiones aciales de o as, como cansado y is e, al se muy pa ecidas en e sí y algo subje i o que cada pe sona puede pe cibi de o ma di e en e. - P oba y ap ende cómo usa Ma lab pa a desa olla la aplicación y pode u iliza modelos p e-en enados, ales como AlexNe y SqueezeNe , habiendo es udiado p e iamen e el uncionamien o de las edes neu onales con olucionales, como una pa e esencial den o del Ap endizaje P o undo. - Elabo a el código lo más ajus ado posible a nues o caso, en el que sólo usamos dos modelos. - Realiza p uebas con imágenes de los da ase s ob enidos, mejo ando y depu ándose pa a ob ene unos esul ados más p ecisos. - Desa olla a a és de Ma lab App Designe una in e az sencilla de u iliza . En es a se p opo cionan múl iples opciones al usua io, como modi ica los pa áme os pa a en ena a la ed, selecciona qué ed en ena y subi una o o pa a de ec a la exp esión. 6 - Una ez inalizada oda la aplicación se plan ea la ealización de p uebas ( es ) pa a asegu a el co ec o uncionamien o de los desa ollos plan eados. - C ea un eposi o io en el que subi el código. Usa emos Gi Hub. 1.5 Es uc u a del abajo El abajo cons a de los siguien es apéndices: - In oducción: En es a sección se a an los an eceden es sob e las exp esiones aciales y la in eligencia a i icial, además de las mo i aciones y los obje i os del desa ollo de la aplicación y el o den en el que se ealiza odo el abajo. - Redes neu onales con olucionales como écnica aplicada: Aquí se a an las écnicas empleadas, dándole más impo ancia a la con olución, y los modelos u ilizados. - Desc ipción de la aplicación: En es e pun o se explica cada pa e de la aplicación con sumo de alle, jun o con la explicación del Da aSe y de las he amien as empleadas. - Resul ados ob enidos: En es a sección se comen an los esul ados que se han ob enido en cada ase jun o con los e o es que han su gido en odo el desa ollo de la aplicación. - Conclusiones y abajo u u o: Aquí se llegan a las conclusiones ob enidas de odo el abajo ealizado y se p oyec a una posible isión de u u as mejo as. - Anexos: Se incluye un anexo con el manual del usua io, pa a dispone de una guía de como desca ga y u iliza la aplicación. 7 Capí ulo 2 - Redes neu onales con olucionales como écnica aplicada Pa a la ealización de es e abajo se han aplicado dos modelos de Redes Neu onales Con olucionales (Con olu ional Neu al Ne wo ks, CNN) conc e amen e AlexNe y SqueezeNe . Ambos modelos ienen su undamen o en la aplicación co ec a de cie as ope aciones en dichas edes, ales como con olución, la unción exponencial no malizada o mé odos de op imización. Los concep os eó icos que se exponen a con inuación son omados de Paja es y col. (2021), donde se puede encon a una desc ipción más de allada de cada ope ación y modelo. En p ime luga se desc iben las ope aciones básicas mencionadas y a con inuación los dos modelos de edes mencionados. 2.1 Ope aciones en edes neu onales con olucionales 2.1.1 Mé odos de op imización La op imización consis e en ajus a la a iable x pa a minimiza o maximiza la unción (x). Gene almen e se op a po la minimización po que la maximización equi ale a minimiza − (x). La unción que se a a minimiza o maximiza se denomina unción obje i o o unción c i e io, simila a los pesos en una ed neu onal. La unción a minimiza , según Good ellow y col. (2016), ambién se la conoce como unción de cos e, pé dida o e o necesa ia pa a p opaga hacia a ás el e o du an e el en enamien o. Es as unciones se llaman unciones de pé dida. El alo óp imo se deno a como x* = a g min (x). Al en ena la ed neu onal, los esul ados p e is os se compa an con los eales u ilizando una unción de pé dida di e enciable. Es a ca ac e ís ica puede a ia según 8 el ipo de ed que se es é u ilizando. Si odas las ope aciones en la ed son di e enciables, en onces la unción de pé dida ambién se á di e enciable. Sin emba go, algunas unciones de ac i ación, como ReLU, no son di e enciables, po lo que la e op opagación equie e una ap oximación de la de i ada. La unción de pé dida mide qué an ce ca es á el modelo de las p edicciones espe adas. El descenso de g adien e es un mé odo común pa a encon a el mínimo de es a unción, simila a descende de una mon aña pa a alcanza el pun o más bajo. La op imización basada en g adien es implica ajus a los pesos del modelo pa a minimiza la pé dida. Es e ciclo de ap endizaje incluye een ia da os, hace p edicciones, calcula pé didas y e ansmi i e o es pa a ajus a las ponde aciones. Al ajus a los pesos, el modelo mejo a á, que es en de ini i a un p oceso de ap endizaje. La de i ada de una unción en un pun o indica su pendien e y ayuda a en ende cómo un pequeño cambio en la en ada a ec a la salida. Pa a minimiza una unción, se u iliza el g adien e descenden e, que implica desplaza los da os de en ada en la di ección opues a a la de i ada pa a educi la unción. En la igu a 2.1 se mues a cómo el g adien e descenden e se mue e hacia un mínimo. Así la unción (x) = ½ x^2 que se u iliza pa a ilus a el p oceso, posee de i ada, po lo que hay cie as conside aciones a ene en cuen a: - Pa a x < 0, ’(X) < 0 y disminuye hacia la de echa. - Pa a x > 0, ’(x) > 0 y disminuye hacia la izquie da. - Pa a x = 0 el g adien e se de iene pues o que ’(x) = 0. 9 Figu a 2.1 G adien e descenden e 2.1.2 Con olución La con olución implica dos unciones con alo es eales como a gumen o. Pa a ilus a el concep o considé ese un escena io con una uen e de luz a iable y un senso que egis a la in ensidad en dis in as posiciones xen el iempo , se busca ob ene una señal más limpia median e el p omedio de múl iples lec u as. Conside ando el uido en la cap u a de la señal, se op a po un p omedio ponde ado pa a ob ene una señal más limpia, dando más impo ancia a las lec u as más ecien es. Es o se log a median e una unción de p omediado ponde ado w(a), donde el pa áme o a ep esen a el alejamien o empo al de la medida. La ope ación de p omediado ponde ado aplicada en cada ins an e de iempo , esul a en una nue a unción p omediada. (1) 𝑠(𝑡)=∫𝑥(𝑎)𝑤(𝑡−𝑎)𝑑𝑎 Es a ope ación se denomina con olución y se deno a como sigue: 10 (2) 𝑠(𝑡)=𝑠∫(𝑥*𝑤)(𝑡) Es c ucial des aca que la unción debe se una densidad de p obabilidad pa a asegu a un p omedio adecuado. Además, es necesa io que la unción sea ce o pa a odos los a gumen os nega i os, con el p opósi o de e i a la oma de alo es u u os, algo que no es ma e ialmen e posible. Den o del con ex o de las CNN, el p ime a gumen o xen la ope ación de con olución se iden i ica como la en ada (inpu ), mien as que el segundo, w, se denomina núcleo de con olución (ke nel). La salida se denomina comúnmen e como un mapa de ca ac e ís icas ( ea u e map). Desde una pe spec i a compu acional, u ilizando el ejemplo de la uen e de luz, las mediciones son disc e as, ealizadas en in e alos de iempo especí icos, como cada segundo. Dado que el iempo sólo puede oma alo es en e os, y conside ando que xywse de inen únicamen e en el iempo con alo es en e os, la con olución disc e a se de ine de la siguien e mane a. (3) 𝑠(𝑡)=(𝑥*𝑤)(𝑡)=𝑎=−∞ ∞ ∑ 𝑥(𝑎)𝑤(𝑡−𝑎) En el ámbi o del ap endizaje au omá ico, la en ada se ep esen a como un ec o o ma iz mul idimensional de da os, mien as que el núcleo es ípicamen e un ec o o ma iz mul idimensional de pa áme os ajus ados du an e el p oceso de ap endizaje. Es as es uc u as mul idimensionales se denominan enso es. Dado que cada elemen o de la en ada y del núcleo se almacena po sepa ado, los alo es que no pe enecen a es os elemen os se conside an nulos, lo que, en la p ác ica, esul a en una suma ini a de alo es en un núme o ini o de elemen os. Además, las con oluciones se lle an a cabo sob e más de un eje simul áneamen e, como en el caso de las imágenes Iu ilizadas como en adas, que son es uc u as bidimensionales y equie en se p ocesadas con un núcleo bidimensional K. 11 (4) 𝑆(𝑖,𝑗)=(𝐼*𝐾)(𝑖,𝑗)=𝑚 ∑𝑛 ∑𝐼(𝑚,𝑛)𝐾(𝑖−𝑚,𝑗−𝑛) La con olución es conmu a i a, lo que signi ica que la exp esión an e io se puede esc ibi de mane a simila a la siguien e, lo que p o oca cambios más pequeños en los alo es de myny, po lo an o, es más e icien e desde el pun o de is a de la implemen ación. (5) 𝑆(𝑖,𝑗)=(𝐾*𝐼)(𝑖,𝑗)=𝑚 ∑𝑛 ∑𝐼(𝑖−𝑚,𝑗−𝑛)𝐾(𝑚,𝑛) A eces, los é minos co elación c uzada y con olución se usan indis in amen e en el ámbi o especializado, gene ando con usión. En el con ex o del ap endizaje au omá ico, el algo i mo es ima los alo es del núcleo en ambos casos. La igu a 2.2 ilus a un ejemplo de con olución con el núcleo Kaplicado sob e un enso 2-D, que puede ep esen a una imagen I. La con olución se ep esen a con solapamien o o al del núcleo esul ando en una imagen de meno dimensión, pasando de 6×7 a 4×5. Pa a man ene la dimensión, se puede u iliza el elleno con ce os (ze o-padding), añadiendo dos ilas (a iba y abajo) y dos columnas (izquie da y de echa) a la imagen o iginal an es de aplica el núcleo. Es e p oceso, llamado "same", se di e encia de la con olución sin elleno con ce os, denominada " alid". Po o a pa e, en las con oluciones, el campo ecep i o se de ine como la egión de en ada que con ibuye a la salida gene ada po el il o. En la igu a 2.2 se mues an sendos campos ecep i os de la imagen Ique con ibuyen a las salidas PyQ gene adas po el il o K. 12 Conside ando las es a egias 1 y 2 pa a educi el núme o de pa áme os man eniendo la p ecisión, y la es a egia 3 pa a mejo a la p ecisión con un núme o limi ado de pa áme os, Iandola y col (2016) p oponen el módulo i e. Es e cons a de una capa de con olución comp imida (squeeze) con il os de dimensión 1×1, que alimen a a una capa de expansión (expand) con una combinación de il os de con olución de dimensiones 1×1 y 3×3. En es e módulo, hay es pa áme os ajus ables: s1 (núme o de il os en la capa squeeze, odos de dimensión 1×1), e1 (núme o de il os en la capa expandida, de dimensión 1×1) y e3 (núme o de il os en la capa expandida, de dimensión 3×3). Pa a cumpli con la es a egia 2, se impone la es icción s1 < e1 + e3. Aunque es os módulos ienen un diseño di e en e, compa en una iloso ía simila a las capas incep ion mencionadas p e iamen e. La salida de las capas comp imida y expandida se conca ena, y el esul ado se alimen a a unidades de ac i ación ReLU espec i as. Figu a 2.5 Módulo i e 19 Los módulos i e gene an a qui ec u as más complejas, como la p opues a en Iandola y col (2016), que cons a de 10 capas, siendo 8 de ellas módulos i e. La e e encia p opo ciona mé odos pa a diseña edes con es os módulos, es ableciendo un conjun o de me a-pa áme os de al o ni el pa a odos los módulos en la CNN. Se de ine "be" (base) como el núme o de il os en la capa expandida del p ime módulo i e en la CNN. Después de cada "n " módulos i e, el núme o de il os en la capa expandida se inc emen a po "de". Especí icamen e, pa a el módulo i e i, el núme o de il os en es a es calculado como "be + i * de". Dado que es a capa incluye il os de dimensiones 1×1 y 3×3, el núme o de cada ipo se de e mina según un po cen aje "pe" es ablecido pa a cada dimensión. El núme o de il os en la capa comp imida, "si", se es ablece en unción del pa áme o "ps", man enido cons an e en un ango de [0,1] pa a odos los módulos, es deci , "si = psei". En un es udio compa a i o u ilizando imágenes de la base de da os ImageNe (2024), Iandola y col de e minan que los mejo es esul ados se ob ienen con "ps = 0.75" y "pe = 50%". 20 Capí ulo 3 - Desc ipción de la aplicación En es e capí ulo se exponen y desc iben los de alles y concep os sob e la aplicación desa ollada, cuya in e az se mues a en el esquema de la igu a 3.1. Po lo an o, se desc iben las uncionalidades y las opciones que se pueden modi ica pa a las e apas de en enamien o y de iden i icación, sob e los da ase s u ilizados y sob e las he amien as u ilizadas du an e el desa ollo del p oyec o. 3.1 E apa de en enamien o Figu a 3.1 In e az pa a el en enamien o de los modelos de ed El usua io que u ilice la aplicación pod á en ena la ed neu onal modi icando cie os pa áme os que in luyen en los esul ados ob enidos, es ando el Da aSe ya 21 p eseleccionado. El núme o de imágenes que con enga es e Da aSe juega un papel impo an e, ya que cuan o mayo sea el núme o, mejo se á el ap endizaje de la ed al habe mayo a iedad y p epa a se an e imágenes con condiciones dis in as a las del Da aSe . La igu a 3.1 mues a la in e az co espondien e a la sección de en enamien o de la aplicación. Pa a lle a a cabo el en enamien o, el usua io puede con inua con los alo es po de ec o y pulsa di ec amen e en el bo ón de en ena o bien modi ica los pa áme os. De cualquie mane a, se usa á en odos los casos el mismo Da ase ya mencionado y desc i o más adelan e. 3.1.1 Selección de la ed neu onal Pa a empeza , se debe selecciona el modelo de ed neu onal con el que se ealiza á el en enamien o, habiendo dos opciones posibles de endimien o muy simila como se e á en la sección de esul ados ob enidos. Es as dos opciones son AlexNe y SqueezeNe . Como ambos modelos solo p ocesan imágenes de en ada de dimensiones 227x227x3, es muy impo an e que las imágenes que se u ilicen, an o en el en enamien o como en la clasi icación, se edimensionen a es e amaño como equisi o imp escindible pa a el p ocesamien o. 3.1.2 Pa áme os de en enamien o Los pa áme os que se pueden modi ica en la aplicación pa a ealiza el en enamien o son los que se desc iben a con inuación: - MiniBa chSize El pa áme o MiniBa chSize de e mina el amaño de la mues a pa a cada lo e du an e el en enamien o. Es e alo a ec a al núme o o al de i e aciones necesa ias 22 pa a en ena odas las imágenes en el conjun o de da os. Cuan o mayo sea el amaño de la mues a en cada lo e, menos i e aciones se án necesa ias pa a comple a el p oceso de en enamien o. Un lo e se de ine como el núme o de mues as, en es e caso imágenes, que p ocesa la ed an es de ac ualiza los pesos. - MaxEpochs El pa áme o MaxEpochs es impo an e al en ena un modelo po que de e mina el núme o máximo de i e aciones que se ealizan du an e el p oceso. Es a a iable juega un papel impo an e en la con e gencia del modelo ya que cada i e ación equie e ajus a los pesos del modelo en unción de los da os del en enamien o. Po o o lado, el amaño del lo e (MiniBa chSize) ambién a ec a a la e iciencia del en enamien o, el cual al se co ec o puede ayuda a agiliza el p oceso de op imización y e i a p oblemas como el uso de demasiadas he amien as o la al a de ellas. Al conside a es os dos pa áme os jun os, se puede calcula la can idad o al de mues as que se u iliza án du an e odo el p oceso de ac ualización de los pesos de la ed. Simplemen e se mul iplica el alo de MaxEpochs po el amaño del lo e (MiniBa chSize). Es e p oduc o da una idea de los olúmenes de en enamien o y ayuda a ajus a es os alo es en unción de la disponibilidad de da os. Pa a log a e iciencia y e icacia en el ajus e, es impo an e encon a un equilib io en e el núme o de épocas y el amaño del lo e. En la p ác ica, es impo an e adap a es os alo es a la na u aleza del conjun o de da os y a las limi aciones compu acionales. Po ejemplo, si se iene un conjun o de da os g ande, es posible que se necesi e aumen a la can idad de épocas pa a pe mi i un en enamien o del modelo más comple o. De mane a simila , los lo es de mayo amaño pueden acele a el p oceso de ajus e, pe o ambién pueden eque i más memo ia y po encia de p ocesamien o. Po an o, la selección de es os 23 pa áme os debe basa se en un análisis exhaus i o de las ca ac e ís icas de los da os y ecu sos disponibles. - Ini ialLea nRa e El pa áme o Ini ialLea nRa e de e mina la asa de ap endizaje inicial, es deci , la apidez con la que la ed neu onal ajus a sus pa áme os en cada e apa de ap endizaje. Es e es un ac o undamen al po que su escala a ec a di ec amen e a la e ec i idad y p ecisión del en enamien o. Cuando Ini ialLea nRa e es al o, el ap endizaje se p oduce ápidamen e, lo que signi ica que hab á ajus es más signi ica i os en los pa áme os de la ed en cada i e ación. Sin emba go, es a asa puede se menos p ecisa po que cambios demasiado g andes pueden di icul a que el modelo alcance la solución óp ima. Po o o lado, si el alo inicial es bajo, el p oceso de ap endizaje se á más len o y el ajus e de pa áme os se á más su il. Si bien es o puede p opo ciona una mayo p ecisión, ambién puede aumen a signi ica i amen e el iempo de en enamien o. Al busca el alo óp imo pa a es e pa áme o, es impo an e log a un equilib io en e la e iciencia y la p ecisión del ap endizaje. Es e comp omiso puede a ia signi ica i amen e según el modelo de ed neu onal y las ca ac e ís icas del conjun o de da os. Po lo an o, es impo an e ealiza los ajus es adecuados según las necesidades especí icas de cada escena io de aplicación pa a op imiza an o la elocidad como la p ecisión del p oceso de ap endizaje. 3.1.3 Finalización del en enamien o Con el modelo y los pa áme os ya seleccionados se puede p ocede al en enamien o, que en unción de es os y del núme o de imágenes que con enga el da ase , demo a á una mayo o meno can idad de iempo. 24 3.2 E apa de iden i icación La ed neu onal una ez en enada, pe mi e in oduci una imagen de la ca a de una pe sona en la aplicación pa a que es a indique de qué exp esión acial se a a, den o de las en enadas, y con qué po cen aje c ee que la pe sona de esa imagen iene esa exp esión. Pa a que la ed neu onal iden i ique una imagen p ime o debemos selecciona la den o de la aplicación. Pa a hace es o simplemen e se debe pulsa el bo ón de “Selecciona imagen” que se mues a en la igu a 3.2 y elegi la imagen, que debe es a en o ma o .png o .jpg. Figu a 3.2 In e az pa a la iden i icación de las imágenes Una ez se enga seleccionada la imagen que se quie e iden i ica se á necesa io pulsa el bo ón de “Comenza ” pa a inicia la ase de iden i icación. Al pulsa lo, la aplicación se enca ga á de mos a la, al y como apa ece en la igu a 3.3, 25 edimensiona la imagen al amaño de en ada que admi en los modelos y p ocede a su iden i icación. Figu a 3.3 In e az pa a la iden i icación con una imagen seleccionada T as la iden i icación de la imagen apa ece á una en ana, como la que se puede e en la igu a 3.4, con la exp esión seleccionada po el modelo y la ce eza de que sea esa exp esión, en es e caso es eliz con un 99.5%. Figu a 3.4 Resul ado de la iden i icación 26 3.3 Da aSe El Da aSe u ilizado pa a ealiza el p oyec o se compone de 184 imágenes, 4 exp esiones aciales y 46 imágenes pa a cada exp esión acial. Las exp esiones aciales que se han elegido han sido en adado, eliz, neu o y so p esa. Figu a 3.5 Mues a de imágenes del Da aSe Es e Da aSe ha sido egene ado y ees uc u ado a pa i del o iginal seleccionando y clasi icando de o ma cuidadosa cada imágen de un Da aSe de ca as sin é icas de la página de Kaggle (2024), debido a que no encon amos ningún Da aSe exis en e de exp esiones aciales que nos sa is icie a y es u iesen ya clasi icadas po exp esiones. El enlace al Da aSe mencionado es el siguien e: h ps://www.kaggle.com/da ase s/sujaykapadnis/emo ion- ecogni ion-da ase /da a. Es e da ase es á disponible bajo licencia C ea i e Commons CC BY-NC-SA 4.0, y po an o con pe miso de uso pa a abajos docen es como el p esen e Pa a di idi las imágenes en e las usadas pa a el en enamien o y pa a la alidación se ha u ilizado la unción “spli EachLabel” de Ma lab de al o ma que el 70% de las imágenes se asignen al en enamien o y el 30% es an e a la alidación, odo es o de o ma alea o ia y dis in a cada ez que se en ena el modelo ya que es a 27 misma unción admi e el pa áme o shu le, pa a mezcla los da os de la o ma indicada. Todas las imágenes u ilizadas son de ca as en las que apa ece una única pe sona mi ando de en e a la cáma a. En la igu a 3.6 se mues a una pa e ep esen a i a del Da aSe o iginal del cual se ha seleccionado nues o Da aSe . Figu a 3.6 Imágenes del Da aSe o iginal de Kaggle sin selecciona ni clasi ica En la igu a 3.7 se mues a el agmen o de código en lenguaje Ma lab y la u a de da os que se enca ga de selecciona el Da aSe , y que hab ía que modi ica pa a u iliza la aplicación en o o o denado . Figu a 3.7 F agmen o del código en el que se elige la u a del Da aSe 28 lo ideal se ía e mina alcanzando un alo de pé dida de 0 que se pod ía consegui si se log a a una p ecisión del 100%. Pa a ob ene la igu a 4.5 se ha ealizado el en enamien o u ilizando SqueezeNe con los mismo pa áme os po de ec o que en el caso an e io . Figu a 4.5 In o me del p oceso de en enamien o de SqueezeNe En el caso de SqueezeNe se han uel o a usa los pa áme os po de ec o, es deci , MiniBa chSize,MaxEpochs eIni ialLea nRa e con los mismos alo es que AlexNe , así se pueden obse a las di e encias en e ambos modelos. La du ación del en enamien o de es e modelo ha sido de 15 segundos, un 36,36% más ele ado que en el caso de AlexNe con 11 segundos, siendo en es a si uación es e úl imo modelo el más ápido. No obs an e, al ene una mayo du ación de en enamien o, si nos ijamos en la cu a de ap endizaje se obse a que SqueezeNe es más p ecisa llegando a un po cen aje de p ecisión (Valida ion Accu acy) del 94.64%. 35 Analizando en p o undidad la cu a de ap endizaje se puede obse a que la p ecisión comienza siendo muy baja, p ocediendo a ele a se ápidamen e po encima del 50% jus o an es de e mina la p ime a época. De es a mane a, sigue subiendo p og esi amen e has a po encima del 80% en la sex a época, a pa i de la cual se man iene en po cen ajes en o no al 80% y el 100%, concluyendo el en enamien o con un excelen e po cen aje de p ecisión (94.64%). Respec o a la g á ica de la unción de pé dida, la e olución que sigue en é minos de a iación es muy simila a la cu a de ap endizaje pe o a la in e sa, comenzando con alo es muy ele ados y decayendo ápidamen e pa a man ene se en alo es ela i amen e bajos. A pa i de la i e ación 200 se man iene es able. Tomando en cuen a es as dos g á icas podemos asegu a que SqueezeNe iene una ele ada p ecisión, sin emba go, es muy impo an e ene en cuen a la di e sidad de exp esiones aciales que poseen los se es humanos. An e an as a iaciones, si no se en ena co ec amen e al modelo con el núme o su icien e de imágenes y de exp esiones lo más p obable es que los esul ados no sean an p ecisos. Una ca ac e ís ica impo an e que se obse a en ambos modelos, adica en el hecho de que an o las g á icas co espondien es al en enamien o y alidación en accu acy yloss, e olucionan sin obse a se di e gencias en e ellas, lo cual es ga an ía de que no se es á p oduciendo ni sob eajus es ni in aajus es de los pesos. Las igu as 4.6 y 4.7 o ecen una isualización de allada de los pesos que las edes AlexNe y SqueezeNe , espec i amen e, han ap endido en su p ime a capa con olucional. En es a e apa inicial, conocida como con 1 ( éanse las igu as 4.1 y 4.2), la ed emplea 96 il os pa a el p ime caso y 64 pa a el segundo, cada uno asociado a los es canales de colo ( ojo, e de y azul), lo que se aduce en una ep esen ación isual a odo colo en la igu a. Es os il os son esenciales pa a de ec a ca ac e ís icas especí icas en las imágenes de en ada. 36 Figu a 4.6 Pesos de la p ime a capa de AlexNe En el campo de las edes neu onales con olucionales, la in e p e ación de es os esul ados se basa en un p oceso de con olución en el que cada il o se mue e a lo la go de la imagen o iginal pa a ex ae ca ac e ís icas ele an es. Los elemen os isuales que des acan con mayo in ensidad en la ep esen ación g á ica, como los colo es más b illan es, indican egiones de la imagen donde es os il os es án más ac i os, lo que indica la p esencia de ca ac e ís icas impo an es. Po o o lado, las á eas más oscu as de la imagen ep esen an alo es de il os bajos o nulos, lo que signi ica que esas egiones de la imagen no han ac i ado en un g ado signi ica i o esos il os. Po lo an o, es as á eas pueden con ene in o mación menos impo an e o simplemen e se un ondo o un á ea acía de la imagen. Además, las ep esen aciones con onos in e medios en la igu a ep esen an di e en es ac i aciones en los il os, lo que sugie e la p esencia de ca ac e ís icas isuales menos dis in i as pe o aún impo an es. Es e ango in e medio de ac i ación 37 puede se impo an e pa a cap u a de alles su iles o con ex uales de la in o mación isual p ocesada po la ed neu onal. Figu a 4.7 Pesos de la p ime a capa de SqueezeNe 4.2 Fase de iden i icación Una ez se ha en enado la ed, lo p ime o que se obse a á se á el esul ado de la clasi icación de las imágenes seleccionadas pa a el es . Es e esul ado se mos a á en o ma de Ma iz de Con usión, como las que pueden obse a se en las igu as 4.8 y 4.9. Las ma ices de con usión son una he amien a que se suele u iliza en el campo de la in eligencia a i icial pa a ep esen a los esul ados, ya que nos ayuda a e los de o ma cla a. Las ma ices de con usión es án es uc u adas de mane a que en cada ila se e la clase eal a la que pe enece cada imagen y en las columnas la clase que ha p edicho la ed neu onal pa a cada imagen. Además, a la de echa se 38 mues a el po cen aje de imágenes que se han p edicho bien en cada clase y debajo el po cen aje de imágenes que pe enecen a la clase que se p edijo. Figu a 4.8 Ma iz de con usión de AlexNe Usando la igu a 4.8 se explica cómo se lee ía la ma iz. En ella puede obse a se que, pa a hace el es , se han seleccionado 15 imágenes de en adado, 15 imágenes de eliz, 14 imágenes de neu o y 12 de so p esa. De las 15 imágenes de en adado 11 se han p edicho de o ma co ec a, 2 como eliz y o as 2 como so p esa, lo que deja un po cen aje de acie o del 73.3% pa a imágenes de en adado. En el caso de eliz 12 se han p edicho bien, 1 como en adado y 2 como neu o, de al mane a que el po cen aje de acie o es del 80%. Con las imágenes de neu o 12 se han p edicho bien y 2 como en adado, ob eniendo un 85.7% de acie o. Y en so p esa las 12 imágenes se han p edicho bien, lo que nos deja con un 100% de acie o. Además, la abla de la pa e in e io de la igu a indica que el 78.6% de las imágenes que se p edije on como en adado e an imágenes eales de en adado, el 85.7% de las p edichas como eliz e an de eliz, el 85.7% de las p edichas como neu o e an de neu o y el 85.7% de las 39 p edichas como so p esa e an de so p esa. De es a o ma puede e se en una sola imágen, y de mane a ápida, que el modelo de AlexNe p opo ciona unos esul ados acep ables, aunque no pe ec os. En la igu a 4.9 se obse a la ma iz de con usión co espondien e al modelo de SqueezeNe . En es e caso los esul ados ob enidos han sido mejo es que los de AlexNe , ya que ha habido un núme o meno de imágenes p edichas de o ma inco ec a. Con es e modelo, el po cen aje de acie o pa a en adado ha sido del 86.7%, al alla en dos imágenes, y pa a eliz, neu o y so p esa ha sido del 92.9%, al alla en solo una imágen. Figu a 4.9 Ma iz de con usión de SqueezeNe Po o a pa e, se han omado cua o imágenes, una pa a cada exp esión acial, con el in de compa a la p ecisión de cada modelo y pode analiza lo: 40 ●En adado Figu a 4.10 Resul ados ob enidos pa a AlexNe y SqueezeNe espec i amen e T as la iden i icación co ec a de la exp esión acial de en ado, podemos obse a que la p obabilidad de acie o es del 92% con SqueezeNe , un esul ado bas an e bueno. No obs an e, en el caso de AlexNe la p obabilidad es del 69.8%, bas an e po debajo del 90%. Es o puede debe se a que la exp esión es ácilmen e con undible con la de eliz, sob e odo po los dien es. Una posible mejo a de p ecisión se ía añadi más imágenes del Da aSe pa a que elimine con usiones en e en adado y eliz. ●Feliz Figu a 4.11 Resul ados ob enidos pa a AlexNe y SqueezeNe espec i amen e La exp esión acial eliz es de ec ada co ec amen e po ambos modelos y con buenas p obabilidades de acie o. Pa a el caso de AlexNe la p obabilidad es del 41 87.1% mien as que en el segundo modelo supe a el 95%. De nue o, SqueezeNe ob iene mejo es esul ados, un pa ón que se epi e en la mayo ía de los casos. ●Neu a Figu a 4.12 Resul ados ob enidos pa a AlexNe y SqueezeNe espec i amen e T as la iden i icación co ec a de la exp esión acial neu a en ambos modelos, se ompe el pa ón, ozando AlexNe el 100% de p obabilidad de acie o mien as que SqueezeNe ob iene un 89%. A pesa de habe un 10% de di e encia, ambas p obabilidades son muy buenas, siendo AlexNe la mejo opción. ●So p esa Figu a 4.13 Resul ados ob enidos pa a AlexNe y SqueezeNe espec i amen e Ambos modelos iden i ican co ec amen e y con la misma p obabilidad de acie o que la exp esión acial es la de so p esa. Es a p obabilidad es muy ele ada (99.9%) si uándose po encima del 90%, aunque con end ía inclui más imágenes en el Da aSe ya que puede habe pequeñas con usiones con las exp esiones de en ado y elicidad al mos a se los dien es en ambos casos. 42 4.3 P oblemas conocidos Se han de ec ado algunos e o es ecuen es en la ase de clasi icación que pueden supone un p oblema a la ho a de iden i ica una exp esión sob e una imagen: - Exp esión acial que no ha sido incluida en el en enamien o: si se p e ende iden i ica una exp esión acial no en enada, como is eza, el esul ado que se mos a á se á de alguna de las exp esiones que se han incluido y, po lo an o, inco ec o. Figu a 4.14 Ejemplo de imágen de exp esión acial no en enada - Fal a de calidad en la imagen: En es e caso, la aplicación pod ía no de ec a ninguna ca a, lo cual se ía un p oblema ya que ha ía in iable la iden i icación de su co espondien e exp esión acial. - Imágen con a ias ca as: Al habe a ias ca as, la de ección de es as no unciona de mane a co ec a y no e mina iden i icando bien, po lo que es mejo e i a es e ipo de imágenes. 43 Capí ulo 5 - Conclusiones y abajo u u o 5.1 Conclusiones El uso de CNNs, en pa icula AlexNe y SqueezeNe , pa a la iden i icación de exp esiones aciales median e el ap endizaje p o undo en Ma lab o ece una capacidad excepcional pa a de ec a y clasi ica exp esiones aciales con una p ecisión acep able. Es o ab e opo unidades en nue as á eas como ecu sos humanos, psicología, la a ención médica y la in e acción humano-compu ado a. G acias a la implemen ación de es as edes en Ma lab, se ha conseguido desa olla una aplicación in ui i a y uncional que pe mi e comp ende y analiza el es ado emocional de las pe sonas a pa i de imágenes aciales. Además, se ha mejo ado la p ecisión y el endimien o del sis ema g acias a la capacidad de ajus a pa áme os y en ena modelos con Da aSe s adecuados, haciéndose aplicable en en o nos emp esa iales y de in es igación. Po odo ello, el uso de edes neu onales como SqueezeNe y AlexNe pa a iden i ica exp esiones aciales esul a se una pode osa he amien a pa a comp ende y analiza el compo amien o humano, con un g an po encial de mejo a y que lo hace aplicable a muchos ámbi os, des acando el emp esa ial pues es el en oque p incipal del abajo. 5.2 T abajo u u o En un u u o la aplicación pod ía mejo a se de di e sas mane as: - Añadi más imágenes del Da aSe o incluso busca un Da aSe más g ande. - Pe mi i la de ección de exp esiones aciales a a és de ídeos pa a que las emp esas puedan usa las al momen o con sus p opias cáma as. 44 - Expe imen and lea n how o use Ma lab o de elop he applica ion and be able o u ilize p e- ained models, such as AlexNe and SqueezeNe , ha ing p e iously s udied he ope a ion o con olu ional neu al ne wo ks as an essen ial pa o Deep Lea ning. - De elop he code as closely as possible o ou case, in which we only use wo models. - Conduc es s wi h images om he ob ained da ase s, imp o ing and e ining hem o ob ain mo e p ecise esul s. - De elop a use - iendly in e ace h ough Ma lab App Designe . This p o ides mul iple op ions o he use , such as modi ying pa ame e s o ain he ne wo k, selec ing which ne wo k o ain, and uploading a pho o o de ec he exp ession. - Once he en i e applica ion is comple ed, es ing ( es ing) is planned o ensu e he co ec ope a ion o he p oposed de elopmen s. - C ea e a eposi o y o upload he code. We will use Gi Hub. 51 Conclusions and u u e wo k Conclusions The use o CNNs, pa icula ly AlexNe and SqueezeNe , o acial exp ession iden i ica ion h ough deep lea ning in Ma lab o e s excep ional capabili y o de ec and classi y acial exp essions wi h accep able accu acy. This opens oppo uni ies in new a eas such as human esou ces, psychology, heal hca e, and human-compu e in e ac ion. Thanks o he implemen a ion o hese ne wo ks in Ma lab, an in ui i e and unc ional applica ion has been de eloped, allowing unde s anding and analysis o indi iduals' emo ional s a es om acial images. Fu he mo e, he sys em's accu acy and pe o mance ha e been enhanced h ough pa ame e uning and model aining wi h app op ia e da ase s, making i applicable in bo h business and esea ch en i onmen s. The e o e, he u iliza ion o neu al ne wo ks like SqueezeNe and AlexNe o acial exp ession iden i ica ion p o es o be a powe ul ool o unde s anding and analyzing human beha io , wi h signi ican po en ial o imp o emen and applicabili y ac oss a ious domains, pa icula ly in he business ealm, which is he p ima y ocus o his wo k. Fu u e Wo k In he u u e, he applica ion could be enhanced in se e al ways: - Adding mo e images o he da ase o e en seeking a la ge da ase . - Allowing acial exp ession de ec ion h ough ideos so ha companies can use hem in eal- ime wi h hei own came as. 52 - Including mo e acial exp essions, as cu en ly only ou a e conside ed om he da ase . I 's wo h men ioning ha he o iginal images in his se we e eo ganized and es uc u ed. - Adding mo e a iables o modi ica ion, hus allowing o g ea e possibili ies in aining. 53 Con ibuciones Pe sonales Jesús He nández Guillamo - Apo a ideas sob e las que ealiza el T abajo de Fin de G ado y llega a un consenso con mi compañe o. - Es ablece los obje i os a alcanza con la aplicación jun o a mi compañe o. - Búsqueda de un Da aSe que cumpla con los equisi os. - Clasi icación de las imágenes del Da aSe en exp esiones aciales de en ado y neu a. - Depu ación de imágenes que no ue an de ec ables du an e el en enamien o, p ocediendo con su eliminación. - Familia ización con el en o no Ma lab y búsqueda de u o iales pa a ap ende sob e el lenguaje. - Es udio e in es igación sob e el uncionamien o de las edes neu onales, sob e odo de AlexNe y SqueezeNe . - En ende el código guía pa a desa olla de la mejo mane a posible la aplicación jun o con mi compañe o. - Apo ación de ideas pa a el diseño de la aplicación. - Modi icación del Da aSe pa a que la p ecisión uese mayo en unción de lo que me comen aba mi compañe o sob e el en enamien o y la iden i icación de imágenes. - C eación y ges ión del Google D i e pa a abaja en equipo jun o con mi compañe o. - Elección de la me odología a emplea . - Repa o y o ganización de las a eas a ealiza . - Acla a las dudas jun o a mi compañe o y en caso de no soluciona se acla a las con el u o . 54 - Repasa las pa es de la memo ia ealizadas po mi compañe o pa a co egi las llegando a un consenso. - Realización de los apa ados iniciales p e ios al índice a excepción del índice de igu as y ablas. - Realización del apa ado 1.1.1 ela i o a los an eceden es de las exp esiones aciales. - Realización del apa ado 1.3 en el que se de allan los obje i os a alcanza con el p oyec o. - Realización del apa ado 1.4 donde se menciona el plan de abajo. - Realización del apa ado 2.1.1 ela i o a los mé odos de op imización como ope aciones de edes. - Realización del apa ado 2.1.3 ela i o a so max como ope ación de edes neu onales. - Realización del apa ado 2.2.1 donde se explica el uncionamien o de AlexNe con odas sus ca ac e ís icas. - Realización del apa ado 3.1 en el que se explica cómo ealiza el en enamien o del modelo. - Realización del apa ado 3.4 sob e las he amien as u ilizadas. - Realización de la mi ad inicial del apa ado 4.1 sob e la explicación de la ase de en enamien o. - Realización de la segunda mi ad del apa ado 4.2 sob e la explicación de la ase de iden i icación de la exp esión acial. - Realización del apa ado 4.3 donde se comen an los p oblemas conocidos en la ase de clasi icación. - Realización del apa ado 5.1 sob e las conclusiones ob enidas. - Realización del apa ado de la in oducción en inglés. - Realización del manual del usua io jun o con mi compañe o. 55 - Realización del apa ado de con ibuciones pe sonales jun o con mi compañe o. 56 Pablo Ma a anz Bu gos - Apo a ideas sob e las que ealiza el T abajo de Fin de G ado y llega a un consenso con mi compañe o. - Es ablece los obje i os a alcanza con la aplicación jun o a mi compañe o. - Búsqueda de un Da aSe que cumpla con los equisi os. - Clasi icación de las imágenes del Da aSe en exp esiones aciales de eliz y so p esa. - Familia ización con el en o no Ma lab y búsqueda de u o iales pa a ap ende sob e el lenguaje. - Es udio e in es igación sob e el uncionamien o de las edes neu onales, sob e odo de AlexNe y SqueezeNe . - En ende el código guía pa a desa olla de la mejo mane a posible la aplicación jun o con mi compañe o. - Pensa y suge i ideas pa a el diseño de la aplicación. - Elabo a el código pa a implemen a nues as ideas. - C ea unciones pa a implemen a las en el código. - Pensa en una in e az de usua io pa a que sea más sencillo u iliza la aplicación. - C ea la in e az de usua io usando Ma lab. - Repasa las pa es de la memo ia ealizadas po mi compañe o pa a co egi las llegando a un consenso. - Repa o y o ganización de las a eas a ealiza . - Acla a las dudas jun o a mi compañe o y en caso de no soluciona se acla a las con el u o . - Realización del índice de igu as y ablas. - Realización de a ios en enamien os con AlexNe y SqueezeNe u ilizando di e en es con igu aciones pa a encon a la óp ima. 57 - Realización del apa ado 1.1.2 ela i o a los an eceden es de la in eligencia a i icial. - Realización del apa ado 1.2 en el que se explican las mo i aciones que nos han lle ado a ealiza es e abajo. - Realización del apa ado 1.5 donde se expone la es uc u a del abajo. - Realización del apa ado 2.1.2 ela i o a la con olución aplicada a la in eligencia a i icial. - Realización del apa ado 2.2.2 donde se explica el uncionamien o de SqueezeNe y sus ca ac e ís icas. - Realización del apa ado 3.2 en el que se explica cómo se ealiza la e apa de iden i icación. - Realización del apa ado 3.3 en el que se de alla el con enido, el o igen y la elabo ación del Da aSe u ilizado. - Realización de la segunda mi ad del apa ado 4.1 sob e la explicación de la ase de en enamien o. - Realización de la p ime a mi ad del apa ado 4.2 sob e la explicación de la ase de iden i icación de la exp esión acial. - Realización del apa ado 5.2 sob e el abajo u u o del p oyec o. - Realización del apa ado de conclusiones y abajo u u o en inglés. - Realización del manual del usua io jun o con mi compañe o. - Realización de cap u as de pan alla que se han u ilizado de mane a ilus a i a en el abajo. - C eación del eposi o io de Gi Hub en el que se ha subido el código ealizado du an e el p oyec o. - Realización del apa ado de con ibuciones pe sonales jun o con mi compañe o. 58 - Añadi a la bibliog a ía las uen es u ilizadas du an e la ealización del p oyec o con su co ec a ci ación. 59 Bibliog a ía 1. Rebollo Delgado, L. (2023). In eligencia a i icial y de echos undamen ales. Mad id: Dykinson, S.L. Disponible en: h ps://www-digi aliapublishing-com.bucm.idm.oclc.o g/a/128997 2. Rod íguez, H. (2023). Así in e p e a la in eligencia a i icial nues os es ados de ánimo. Disponible en: h ps://www.na ionalgeog aphic.com.es/cienc ia/asi-in e p e a-la-in eligencia-a i icial-nues os-es ados-de-animo-_1630 4[Consul ado 27-02-2024]. 3. Rod íguez, H. (2022). Así exp esa u ca a los cambios en us emociones. Disponible en: h ps://www.na ionalgeog aphic.com.es/ciencia/asi-exp esa- u-ca a-cambios- us-emociones_13803 [Consul ado 27-02-2024]. 4. A enschield, L. (2019). The 17 di e en ways you ace con eys happiness. Disponible en: h ps://ece.osu.edu/news/2019/01/17-di e en -ways-you - ace-con eys-happiness. [Consul ado 27-02-2024]. 5. Noo Khan, A. (2021). Deep lea ning amewo k o subjec -independen emo ion de ec ion using wi eless signals. Disponible en: h ps://jou nals.plos.o g/plosone/a icle?id=10.1371/jou nal.pone.0242946. [Consul ado 27-02-2024]. 6. Paja es, G., He e a, P.J., Besada, E. (2021). Ap endizaje P o undo. RC-Lib os, Mad id 7. ImageNe . (2024). Disponible en: h p://www.image-ne .o g (Accedido Ma zo 2024). 8. Russako sky, O., Deng, J., Su, H., K ause, J., Sa heesh, S., Ma, S. Huang, Z., Ka pa hy, A., Khosla, A., Be ns ein, M., Be g, A.C., Fei-Fei, L. (2015). ImageNe La ge Scale Visual Recogni ion Challenge. In e na ional Jou nal o Compu e Vision (IJCV). 115(3), pp. 211–252. 60