具有生物真实性的强抗噪性神经元激活函数

当前人工神经网络虽然在图像识别等方面媲美人脑,但因其所采用的激活函数ReLU和Softplus等只是对生物神经元输出响应特性的高度简化与模拟,使其在抗噪性、不确定性信息处理及功耗等方面与人脑仍存在巨大差距。通过分析生物神经元仿真实验,以其响应特性为基础,引入反映每个神经元随机性的参数η,构建出一种具有生物真实性的强抗噪性激活函数Rand Softplus。最后将该激活函数应用于深度残差网络,并基于人脸表情数据集对其进行验证。结果表明,在输入无噪声或具有少量噪声时,文中提出的激活函数与当前主流激活函数的识别精度基本持平,当输入包含较大噪声时,文中所提激活函数的识别精度远高于其他激活函数,表现出了良好的抗噪性能。

基于改进深度残差网络的低功耗表情识别

为了提高表情识别率并降低表情识别的功耗,提出一种基于改进深度残差网络的表情识别方法。残差学习在解决深度卷积神经网络退化问题、使网络层次大幅加深的同时,进一步增加了网络的功耗。为此,引入具有生物真实性的激活函数来代替已有的整流线性单元(Rectified Linear Units,ReLU)函数,并将其作为卷积层激活函数对深度残差网络进行改进。该方法不仅提高了残差网络的精度,而且训练出的网络权重可直接作为与该深度残差网络具有相同结构的深度脉冲神经网络的权重。将该深度脉冲神经网络部署在类脑硬件上时,其能够以较高的识别率和较低的能耗进行表情识别。

基于视觉机制与协同显著性的自发式表情识别

自发性面部表情视频中存在过多的冗余图像数据而在性能上遇到瓶颈,为此提出一种基于人眼视觉注意机制和协同显著性人脸特征提取算法。基于人类的视觉机制,动态提取关键帧解决面部表情的时间动态问题。通过乘法融合算法和图像协同获得关键序列帧显著区域。由于这些区域形变较小且与面部表情低相关,剔除这些显著区域,减少面部特征数据量。提取剩余面部的LBP特征,并使用SVM分类器进行分类。在Cohn-Kanade+人脸表情数据库和MMI数据库中的实验结果表明,该方法能有效提高自发表达序列的识别准确率。