基于全局注意力及金字塔卷积网络的表情识别

近年来基于深度学习的人脸表情识别技术已取得很大进展,但对于表情特征的多尺度提取,以及在不受约束的现实场景中进行面部表情识别仍然是具有挑战性的工作。为解决此问题,提出一种金字塔卷积神经网络与注意力机制结合的表情识别方法。对于初始的一张人脸表情图像,将其按照区域采样裁剪成多张子图像,将原图像和子图像输入到金字塔卷积神经网络进行多尺度特征提取,将提取到的特征图输入到全局注意力模块,给每一张图像分配一个权重,从而得到有重要特征信息的图像,将子图像和原始图像的特征进行加权求和,得到新的含有注意力信息的全局特征,最终进行表情识别分类。在CK+、RAF-DB、AffectNet三个公开表情数据集上分别取得了98.46%、87.34%、60.45%的准确率,提高了表情的识别精度。

融合GA-CART和Deep-IRT的知识追踪模型

随着深度神经网络的快速发展,基于深度学习知识追踪模型的优势逐渐显现。Deep-IRT将项目反应理论与动态键值记忆网络(DKVMN)相结合,增加了学生与练习之间的联系,却忽略了学习特征的影响。DKVMN-DT在DKVMN的基础上增加了基于CART决策树的行为特征预处理,但决策树仍是一种贪心算法。为优化CART带来的局部最优问题并加强学生能力与项目难度的联系,提出了一种将基于遗传算法的CART与Deep-IRT相融合的优化模型。首先对CART基于遗传算法进行2次优化,对学习者的学习行为特征进行预处理;然后计算交叉特征并融入DKVMN底层模型中;最后引入项目反应理论,根据学生能力与项目难度完成概率预测。实验结果表明,DKVMN-GACART-IRT模型的AUC值均优于原始模型,具有更好的预测性能。