Deep Learning-Based Facial Expression Recognition
| dc.contributor.author | LAIDI , Chaima | |
| dc.contributor.author | TEBTOUBE , Aya | |
| dc.contributor.author | AYECHE , Farid Supervisor | |
| dc.date.accessioned | 2026-11-09T10:37:05Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Facial Expression Recognition is a deal in computer vision and emotional intelli-gence. It helps computers understand how humans feel and interact with them in a natural way. Traditional methods have trouble working outside of labs but deep learning can help computers understand human emotions from videos and pictures. This research is about creating Facial Expression Recognition systems using the latest deep learning techniques and transfer learning. It aims to make computers better, at understanding emotions. This thesis is a study of Facial Expression Recognition using Deep Learning and Transfer Learning. It starts by explaining the basics of Facial Expression Recognition, including how emotion-sre represented, how machines process facial expressions and how traditional machine learning methods work. Then it looks at learning, including neural networks and convolutional neural net-works. It also looks at transfer learning, which’s a way to adapt pre-trained models to new jobs. Several pre-trained models, including AlexNet, VGG and GoogleNet are tested to see how well they can recognize expressions. The results show that transfer learning is really good, at making recognition while making training easier and faster. Finally The findings suggest that deep learning can be used to make Facial Expression Recognition systems that work in real life | |
| dc.description.sponsorship | Les expressions faciales constituent l’un des moyens les plus importants de la com-munication non verbale et jouent un rôle essentiel dans la compréhension des émotions humaines. La reconnaissance automatique des expressions faciales (Facial Expression Recognition – FER) est devenue un domaine de recherche majeur en vision par or-dinateur et en intelligence artificielle en raison de ses nombreuses applications dans l’interaction homme-machine, la santé, l’éducation, la sécurité et les systèmes intelli-gents. Cependant, la reconnaissance fiable des émotions reste une tâche complexe en rai-son des variations d’éclairage, des changements de pose de la tête, des occlusions et de la diversité des visages humains. Les méthodes traditionnelles basées sur des car-actéristiques conçues manuellement montrent des performances limitées dans les envi-ronnements réels. Afin de surmonter ces limitations, les techniques de Deep Learning, notamment les réseaux de neurones convolutifs (CNN), ont démontré une grande ca-pacité à extraire automatiquement des caractéristiques pertinentes à partir des images faciales. Les résultats expérimentaux montrent que l’apprentissage par transfert permet d’améliorer significativement les performances du modèle tout en réduisant le temps d’entraînement et la quantité de données nécessaires. Cette étude met en évidence l’efficacité des réseaux de neurones convolutifs préentraînés pour la reconnaissance au-tomatique des émotions et confirme leur potentiel pour le développement de systèmes intelligents capables d’interagir de manière plus naturelle avec les utilisateurs | |
| dc.identifier.other | MAI/1099 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/3986 | |
| dc.language.iso | en_US | |
| dc.publisher | Unuversity Setif 1 Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Facial Expression Recognition | |
| dc.subject | Deep Learning Transfer Learning | |
| dc.subject | Con-volutional Neural Networks | |
| dc.subject | AlexNet | |
| dc.subject | VGG | |
| dc.subject | GoogleNet | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Emotion Recognition. | |
| dc.title | Deep Learning-Based Facial Expression Recognition | |
| dc.type | Thesis |