ĐÁNH GIÁ KHẢ NĂNG NHẬN DIỆN CẢM XÚC KHUÔN MẶT CỦA CÁC GIẢI THUẬT MÁY HỌC

Abstract

Luận văn nghiên cứu khả năng nhận diện cảm xúc khuôn mặt của các giải thuật học sâu, sử dụng ba tập dữ liệu RAF-DB, FER-2013 và CK+. Các mô hình như EfficientNet, DenseNet, ResNet và MobileNet được kiểm thử và đánh giá qua các chỉ số Accuracy, Precision, Recall và F1-score. Kết quả cho thấy EfficientNetB4 vượt trội với Accuracy 0.8461 (RAF-DB), 0.6935 (FER-2013) sau tinh chỉnh, và 0.8237/0.7805 (CK+ từ RAF-DB/FER-2013), vượt qua các nghiên cứu trước như CLCM (0.84/0.63/0.78-0.71) và ShuffleNetV2 (0.65). Một ứng dụng web được phát triển dựa trên EfficientNetB4, hỗ trợ phân tích cảm xúc từ ảnh tĩnh (PNG/JPG/JPEG) và video thời gian thực, phục vụ cá nhân, doanh nghiệp và nhà nghiên cứu. Nghiên cứu khẳng định hiệu quả của học sâu trong nhận diện cảm xúc và đề xuất hướng phát triển như tích hợp đa phương thức và tối ưu hóa mô hình nhẹ.