Dezvoltarea sistemelor care învaţă singure.
Tehnici de pre-procesare a imaginilor.
Proiectarea sistemelor care învaţă singure.
Evaluarea sistemelor care învaţă singure. Metrici de performanță.
Job-ul de la Facebook se consolideaza. Utilizatorii sunt foarte incantati de noul algoritm de detectie a filtrelor in poze si a emotilor in texte, asadar poti sa te ocupi de o noua functionalitate care ar face platforma si mai atractiva.
Echipa de analisti ar dori sa evalueze starea emotionala a utilizatorilor si pe baza imaginilor (daca ei au poze de profil sau posteaza imagini vesele sau triste). De aceea, noul tau task este sa implementezi un algoritm de clasificare a pozelor care care sa indice daca o poza este vesela sau trista.
Team leaderul echipei de ML iti propune un plan de lucru in 3 iteratii:
- Iteratia 1: clasificarea emotiilor in imagini continand emoticoane (de exemplu Happy faces versus Sad faces ). Pentru aceasta va trebui:
- creata o baza cu imagini cu emoticoane si etichetele corespunzatoare (please check this onelink)
- antrenarea unui clasificator de emotii in imagini cu emoticoane
- testarea clasificatorului
- Iteratia 2: clasificarea emotiilor in imagini cu fete reale folosind un clasificator pre-antrenat. Pentru aceasta va trebui:
- Iteratia 3: clasificarea emotiilor in imagini cu fete reale folosind un clasificator antrenat de la 0. Pentru aceasta se vor efectua urmatorii pasi:
- Preluarea unei baze cu imagini faciale (de ex FER)
- Antrenarea unui clasificator (model) de emotii in imagini folosind caracteristici ale imaginilor extrase
- manual - descriptori precum Haar, HOG, etc. Se pot folosi descriptorii implementati in biblioteci specifice de Computer Vision precum OpenCV, SciKit-Image.
- automat - modele de extragere preantrenate (precum Facenet) sau antrenate de la 0.
- Testarea clasificatorului
Clasificarea imaginilor poate fi:
- Multi-class – fiecare imagine apartine unei anumite emotii
- Multi-label – o imagine poate avea associate mai multe emotii (de ex baza cu imagini EmoReact descrie imaginile prin mai multe etichete emotionale)
Specificaţi, proiectaţi, implementaţi si testati algoritmi de Machine Learning pentru problema de mai sus.
🏵️ Cerinte opționale
Feel free to add!
Laborator 13
Punctajele acordate
- Clasificare emoticoane – 100 puncte
- Clasificare imagini faciale folosind model pre-antrenat – 200 puncte
- Clasificare imagini faciale folosind model antrenat (from scratch) si
- Caracteristici „extrase manual” – 200 puncte
- Caracteristici „extrase automat” – 300 puncte
- Clasificarea multi-label a imaginilor – 200 puncte (bonus)
Notă:
- punctajul maxim acumulat pentru acest laborator este 1000 puncte.
- punctajul minim pentru ca o tema predata sa fie valida este 100 puncte.