LuanVan.vnLuận Văn
Gửi thư

ƯỚC LƯỢNG TRẠNG THÁI CẢM XÚC VALENCE-AROUSAL VỚI MULTI-AXIS VISION TRANSFORMER VÀ CƠ CHẾ ATTENTION

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảTrần Công Huân
Người hướng dẫnLâm Nhựt Khang
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Trong những năm gần đây, phân tích cảm xúc con người từ ảnh khuôn mặt nhận được nhiều quan tâm do có thể ứng dụng trong tương tác người–máy, giáo dục thông minh, chăm sóc sức khỏe tinh thần và giám sát an toàn. Thay vì chỉ phân loại cảm xúc theo các nhãn rời rạc như vui, buồn, giận hay sợ, nhiều nghiên cứu hiện nay biểu diễn cảm xúc theo không gian liên tục Valence–Arousal, trong đó Valence thể hiện mức độ tích cực hoặc tiêu cực, còn Arousal thể hiện mức độ kích hoạt cảm xúc từ bình tĩnh đến hưng phấn. Tuy nhiên, ước lượng Valence–Arousal từ ảnh khuôn mặt trong điều kiện tự nhiên vẫn là một bài toán khó do ảnh có thể đa dạng về ánh sáng, góc mặt, chất lượng ảnh và biểu cảm thường tinh tế. Trong luận văn này, tôi đề xuất một mô hình học sâu cho bài toán ước lượng Valence–Arousal từ ảnh khuôn mặt sử dụng bộ dữ liệu AffectNet. Mô hình được xây dựng trên backbone Multi-Axis Vision Transformer, cụ thể được hiện thực bằng MaxViT, nhằm khai thác đồng thời đặc trưng cục bộ và quan hệ toàn cục trên khuôn mặt. Trên nền tảng đó, luận văn thay thế head hồi quy thông thường bằng một Attentive Pooling Head để học trọng số chú ý trên các vùng không gian khác nhau của feature map, từ đó nhấn mạnh các vùng khuôn mặt mang nhiều thông tin cảm xúc trước khi dự đoán đồng thời valence và arousal. Ngoài ra, mô hình còn kế thừa trọng số khởi tạo từ một checkpoint combined để tăng khả năng hội tụ và cải thiện hiệu quả học biểu diễn cảm xúc. Mô hình được huấn luyện với hàm mất mát kết hợp giữa Mean Squared Error (MSE) và Concordance Correlation Coefficient loss (CCCLoss), trong đó CCC được sử dụng làm chỉ số đánh giá chính. Kết quả thực nghiệm cho thấy cấu hình tốt nhất là MaxViT với Attention Pooling Head cùng Combined Weight, đạt CCCv = 0.7231, CCCa = 0.6459 và CCCmean = 0.6845 trong thiết lập huấn luyện theo phương pháp của CAGE. Kết quả này cao hơn mô hình tham chiếu CAGE trong cùng giao thức thực nghiệm, đồng thời cho thấy việc bổ sung attention ở head và sử dụng combined weight mang lại cải thiện nhất quán cho bài toán ước lượng cảm xúc liên tục. Ngoài ra, các thí nghiệm cũng cho thấy valence thường được dự đoán tốt hơn arousal, gợi ý rằng arousal vẫn là thành phần cần được cải thiện thêm trong các nghiên cứu tiếp theo. Từ khóa: Valence–Arousal, AffectNet, Multi-Axis Vision Transformer, MaxViT, Attention, Concordance Correlation Coefficient. In recent years, emotion analysis from facial images has attracted much attention because it can be used in human–computer interaction, smart education, mental health care, and safety monitoring. Instead of only classifying emotions into discrete labels such as happy, sad, angry, or fear, many recent studies represent emotions in the continuous Valence–Arousal space. In this model, Valence describes how positive or negative an emotion is, while Arousal describes the level of activation, from calm to excited. However, estimating Valence–Arousal from facial images in real-world conditions is still difficult because images may vary in lighting, head pose, image quality, and subtle facial expressions. In this thesis, I propose an end-to-end deep learning model for Valence–Arousal estimation from facial images using the AffectNet dataset. The model is built on a Multi-Axis Vision Transformer backbone, implemented with MaxViT, to capture both local facial patterns and global spatial relationships. On top of this backbone, the thesis replaces the standard regression head with an Attentive Pooling Head. This head learns attention weights over different spatial regions of the feature map, so that the model can focus more on emotionally informative facial areas before predicting valence and arousal at the same time. In addition, the model is initialized from a combined checkpoint to improve convergence and strengthen emotion-related feature learning. The model is trained with a hybrid loss that combines Mean Squared Error (MSE) and Concordance Correlation Coefficient loss (CCCLoss), while CCC is used as the main evalua
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.