概述

情绪在人与人之间的沟通中意义重大，而在人机交互中，情绪识别是实现人性化必不可少的部分。在医学领域，情绪识别能为精神疾病的诊断治疗提供依据。比如在意识障碍的诊断上，利用标准的行为量表不容易检测患者的意识状态，而计算机辅助评估意识障碍患者的情绪能帮助医生做出诊断和治疗；在远程教育领域，学生佩戴具有情绪识别功能的便携设备，以便教师可以监控学生情绪状态，从而调整授课方式。在交通领域中，对于需要高度集中注意力进行操作的工作人员。但现有的情绪识别技术主要集中在对单一模态的信息进行分析研究而得出识别结果，例如对图像表情识别、语音情绪识别和人体生理信号进行情绪识别。所以本项目意在利用多模态人工智能识别技术解决上述问题

需求详情

通过精确地提取图像中有效的信息，同时有限制信息维度以免出现数据传输等问题，是特征提取技术的关键，同时应用深度学习算法通过反复调整实验参数以提高识别率，减少需要的数据量以及对于数据的预处理技术，并从跨模态（图像、语音、文本等）中挖掘知识，研判和推理心理情绪，从而提高准确率。

技术参数

1.识别基准数据集上实现召回率≥95%；2.准确率≥90%；3.延迟≤20ms；4.Jetson TX2设备支持25路视频并行。

项目预期

通过自主研发的深度学习产品，以大数据驱动知识学习，从跨模态（图像、语音、文本等）中挖掘知识，研判和推理心理情绪。研究在时间和空间上能融合图像、语音和文本的多模态人工智能算法，并可在刑侦审讯、可疑人员识别、健康医疗以及金融反欺诈领域落地。实现在“公安”、“金融”、“军工”和“交通和公共安全”四大领域对可疑人员识别基准数据集上实现召回率95%以上，准确率达90%以上，延迟小于20毫秒，Jetson TX2设备支持25路视频并行。