20060

۲۰۰۶۰

مديريت تبليغات با كنترل احساسات به كمك هوش مصنوعي

كارشناسي ارشد

الكترونيك - سيستم هاي الكترونيك ديجيتال

۱۳۹۵-۱۳۹۷

۱۳۹۷/۱۱/۳۰

دكتر ستار ميرزاكوچكي

برق

امروزه يكي از مهمترين حوزههايي كه به كمك تكنولوژي پيشرفت وسيع و كاربردي داشته است، حوزه بازاريابي است. از انتقال بسياري از تكنيكهاي بازاريابي به حوزهها و جوامع ديجيتال گرفته تا مفاهيم جديدي كه در زمينهي بازاريابي با ظهور برخي از اين تكنولوژيها براي بار اول مطرحشده است. يكي از اين موارد بازاريابي احساسي است. به منظور هدفمندسازي حداكثري، تبليغات و كمپينهاي تبليغاتي بر اساس احساسات كلي يا موقت هر فرد تنظيم شده و تطبيق داده ميشود. براي پيادهسازي اين نوع از تبليغات، تشخيص احساس فرد اولين چالش و نياز مطرح ميباشد. با توجه به ماهيت كار و نحوه دريافت تصاوير، در ادامه چالش چرخش در تصاوير دريافتي نيز مطرح است. در اين پژوهش، تحقيق بر روي برطرف كردن چالش چرخش تصاوير و تشخيص احساس چهره با استفاده از دو شبكه عصبي انجامشده است. اين دوشبكه عصبي هر دو از نوع كانولوشنال و به ترتيب شبكه عصبي مصنوعي الكس نت و VGG-19هستند. هر يك از اين شبكه ها با تصاوير يك پايگاه داده انتخابي حاوي تصاوير چهره داراي يك احساس خاص آموزش داده شده و نتايج آن ها تست و ارزيابي شده اند. تمامي اين مراحل نتيجه نهايي دقت اصلاح چرخش تصاوير تا %55.71 بوده اس . همچنين انجام اين پيشنهاد، باعث بهبود تشخيص احساس صورت بهطور ميانگين %23.63توسط يك مدل از شبكهي عصبي شده است

1397/12/02

Manage Advertisement by Controlling Emotions with the help of Artificial Intelligence

2/19/2020 12:00:00 AM

Today, one of the most important areas that has been developed with the help of technology is marketing. From transferring many marketing techniques to digital domains and communities to new marketing concepts emerging with the emergence of some of these technologies for the first time. One of these marketing branches is emotional marketing. To this end, targeting ads and promotional campaigns are tailored to the general or temporary emotions of each individual. To realize this kind of advertising, recognizing the person's feelings is the first challenge and need. In the next step, one of the challenges is the rotation of the captured images. In this research, an attempt has been done to solve the challenge of rotation of images using the neural network. The accuracy of image rotation correction is up to 99.71% and the result of this study improved an average of 23.63% in facial emotion recognition by a model of other neural networks.