El presente trabajo de investigación aborda la implementación, análisis y selección de
distintos modelos de redes neuronales recurrentes (RNN) y convolucionales (CNN)
para la detección de emociones en texto y rostros; los cuales pueden ser utilizados
como módulos adicionales en agentes conversacionales de tiempo real como son
chatbots o robots sociales. Los módulos de detección permiten a los agentes
conversacionales poder entender cómo se sienten las personas durante la interacción
con ellas; conociendo estos estados los agentes conversacionales pueden responder
empáticamente.
En primer lugar, se revisará la literatura sobre como los agentes conversacionales
buscan ser más empáticos, así como los métodos de detección de emociones mediante
distintos canales como texto y rostros. Luego, se procede a recolectar y pre-procesar
bases de datos públicas para el entrenamiento de los algoritmos seleccionados en base
a la literatura.
Finalmente, métricas tanto para la evaluación del rendimiento de predicción multiclase
(Accuracy, Precision, Recall y F1), como la velocidad de procesamiento (ej. Framesper-
second) son seleccionadas y analizadas para determinar cuáles son los mejores
algoritmos para implementar una aplicación de tiempo real.
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/22090 |
| Date | 06 April 2022 |
| Creators | Balbuena Galván, José Guillermo |
| Contributors | Beltrán Castañón, César Armando |
| Publisher | Pontificia Universidad Católica del Perú, PE |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess, Atribución 2.5 Perú, http://creativecommons.org/licenses/by/2.5/pe/ |
Page generated in 0.0023 seconds