用户情绪识别和室内空间交互设计:通过多式联网加权网络优化的CNN模型

科学领域:

• 计算机科学 计算机科学
• 人与计算机的交互
• 人工智能的人工智能

背景情况:

• 智能用户内部交互设计需要理解用户的情绪.
• 目前使用单个特征 (如面部表情) 的视觉情绪识别方法存在局限性.
• 准确的视觉情感识别对于有效的交互设计至关重要.

研究的目的:

• 开发基于深度学习的多式联网权重网络模型,以增强视觉情感识别.
• 为了解决依赖单一特征的现有方法的局限性.
• 为了提高视觉情感识别的准确性和覆盖范围,用于室内交互设计.

主要方法:

• 开发了一个深度学习多式联运权重网络.
• 该模型包含一个卷积注意力模块,在卷积神经网络 (CNN) 中具有自我注意力机制.
• 一个重量网络分类器是由优化为视觉情感识别的重量衍生出来的.

主要成果:

• 拟议的模型在视觉情感识别方面实现了77.057%的正确率和74.75%的准确率.
• 对比分析表明,多式联运重量网络模型的优势超过现有方法.
• 该模型显示了增强以人为中心和智能室内交互设计的潜力.

结论:

• 深度学习多式联调权重网络模型显著改善视觉情绪识别.
• 这种进步可以导致更复杂,更响应的人为中心的内部交互系统.
• 该模型为智能环境设计的未来发展提供了一个有希望的方法.