20.500.12556/RUL-191064 Razpoznava socialnega signala pozornosti uporabnikov v realnem času User social signal attention recognition in real-time Socialno inteligenten robot je napredni robotski sistem, ki analizira uporabniške dogodke in razpoznava socialne signale, preko katerih ocenjujemo psihofizično stanje, nivo pozornosti in kognitivno obremenitev uporabnika. Podporne tehnologije s socialno inteligentnim robotom znotraj bivalnega ali zdravstvenega okolja nudijo dodatno oskrbo ranljivim skupinam z razvojnimi primanjkljaji. Razvili smo optimiziran cevovod za zaznavo socialnih signalov iz video pretoka z računalniškim vidom, ki se izvaja hitreje kot v realnem času z minimalnimi zakasnitvami. Primerjali smo čase obdelave klasičnih in sodobnih modelov za zaznavo obraza in telesne drže. Na podatkovni zbirki Students Attention Detection smo naučili model strojnega učenja za binarno klasifikacijo pozornosti, ovrednoteno z 10-križno validacijo. Čase zakasnitve in uspešnost napovedi pozornosti smo testirali na lastni podatkovni zbirki videoposnetkov starejših posameznikov. Iz rezultatov smo določili optimalno konfiguracijo modela zaznave in parametrov z najnižjo možno zakasnitvijo. A socially intelligent robot is an advanced robotic system that analyzes user events and recognizes social cues, with which we can estimate the psychophysiological state, level of attention and cognitive workload of the user. By incorporating assistive technologies with socially intelligent robots in residential or healthcare environments we can provide additional care for vulnerable groups with developmental impairments. We developed an optimized computer vision pipeline for detection of social cues from a video stream, which operates faster than in real-time with minimal latency. We compared the processing time of classic and modern models for face detection and estimation of the human pose. We trained a machine learning model for binary classification of attention on the Students Attention Detection dataset and evaluated it using 10-fold validation. We tested the performance of our pipeline and attention prediction on our own video dataset featuring elderly people. Based on the results, we determined the optimal configuration of the detection model and other parameters with the lowest possible latency. Računalniški vid socialni signali strojno učenje nadzorovana klasifikacija transformer video pretok v realnem času Computer vision social signals machine learning supervised classification transformer video stream in real-time true false false Slovenski jezik Angleški jezik Magistrsko delo 2026-11-11 13:20:08 2026-11-11 13:20:24 2026-11-12 04:12:34 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38501 Mihelic_Mohor_luka_-_Razpoznava_socialnega_signala_pozornosti_uporabnikov_v_realnem_casu.pdf Mihelic_Mohor_luka_-_Razpoznava_socialnega_signala_pozornosti_uporabnikov_v_realnem_casu.pdf 1 00AFC45729B458FF251E6ADC3AC7CDF0 19dcfba8b61beb9bfd8b5247e301cc84e442a1378a8105d14a8b12244ef1de32 2beae778-ddca-11f1-aea2-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=252959 Fakulteta za računalništvo in informatiko 0 0 0