不确定性感知与类别均衡的表情识别模型

为解决真实场景下人脸表情识别不确定性和数据不均衡问题,提出不确定性感知与类别均衡的表情识别模型.首先设计标签分布生成网络,以更好地体现人脸表情分布特性,并提出基于标签分布的重要性加权损失函数,使用重要性值对输出结果进行加权,促进模型对不确定性的抑制;然后使用距离约束损失函数,扩大不同重要性值分组之间的平均重要性值的差值,使用重标记模块,依据样本类别预测向量发现,纠正不确定性引起的噪声标签;最后为解决数据不均衡问题,提出基于标签分布的类别均衡损失函数,依据难易样本数量自适应地分配各个样本的权重,加强模型对难样本的学习.在RAF数据集中的实验结果表明,所提模型识别准确率达到88.36%,性能优于其他表情识别模型,证明了该模型的有效性.

基于Python的情感数据分析

为了分析教师在教学过程中存在的不足之处,以期为教学质量的提升提供参考依据。文中首先通过Python将学生主观评教进行切词,获得高频情感词汇,然后实现高频情感词汇在评价中强调显示和词云显示,依据高频情感词汇实现评教数据的情感统计。结果表明:利用数据挖掘方法,分析了教师在教学过程中的情感状况,通过对采集到的数据进行分类和聚类技术的研究,得到了较好的教学评价分类模型,由此来判断教师在教学中存在的优点和弊端。不同院系不同学科的评价结果受多种因素影响,教务管理部门应该从多个方面给与建议或出台相应措施,促进教学质量的提升。