用于人脸情感识别的低冗余稀疏性集成剪枝

为降低噪声和异常值对集成剪枝的影响,并鲁棒性地选择更稀疏的基分类器子集,从而提升人脸情感识别的性能,提出了一种具有依赖分数的鲁棒性稀疏低冗余集成剪枝方法用于人脸情感识别。首先,该方法将样本实例的预测结果视为基分类器特征,分别利用互信息和熵来评估成对基分类器之间的依赖性和它们之间的优先级。其次,将优先级依赖关系添加到基于回归的目标方程中实现冗余基分类器的修剪,此目标方程使用l_(2,1)范数来增加分类器子集的鲁棒性从而提升算法的泛化性能。然后,将内积正则化项引入到目标方程中,通过计算分类器特征系数向量内积的绝对值的和去选择稀疏和低冗余的基分类器。最后,使用大多数投票法对选择的基分类器子集进行集成从而得到最终的识别结果。结果表明:本文提出的方法在FER2013、JAFFE、CK+和KDEF 4个公共人脸情感数据集上的识别准确率,比所有基分类器进行集成得到的准确率分别高3.29%、10.39%、1.76%和4.89%,表明该方法可以选择出识别效果更好、冗余度更低的分类器子集,提高集成剪枝的泛化能力。

基于粗糙集和集成剪枝的人脸表情识别方法

人脸表情识别在疲劳驾驶监测等场景有着广泛的运用。针对人脸表情识别难度大,单一分类器泛化能力较弱的缺点,基于集成学习理论,提出一种基于粗糙集和集成剪枝的人脸表情识别方法。首先,更改卷积神经网络参数得到若干基分类器;其次,结合粗糙集理论,根据基分类器的预测结果构建信息决策表,将分类器选择转化为知识约简过程,剔除系统中弱分类器或冗余分类器,选出分类器子集;最后,用大多数投票法将选择出来的分类器子集组合。和多个集成剪枝算法对比,本文集成剪枝算法在表情数据集上具有较高的识别准确率。

基于多标签随机游走的选择性集成方法用于表情识别

为了提升分类器集成的性能,本文提出了一种基于多标签随机游走的选择性集成方法,该方法将分类器选择问题建模为多标签分类问题,以灵活有效选择分类器。首先在训练集样本与分类器序列间建立映射,将能正确识别样本的分类器序列视为样本标签,对于一个特定的测试样本,寻找它的近邻样本,并构建出多标签随机游走图,执行随机游走过程,根据收敛后的概率向量选择出对应的分类器序列进行集成。在Fer2013、CK+和JAFFE人脸表情数据集上进行实验,并与一些当前先进的选择性集成算法进行对比,实验结果证明了该算法的可行性和有效性。