基于多任务中级特征个性化学习的微表情识别

微表情是一种短暂的面部表情,揭示了一个人试图隐藏的真实情感。对现有的一种多任务中级特征学习方法进行了改进,提出了一种多任务中级特征个性化学习方法用于微表情识别。对于每个低级特征,计算类内k最近邻时,去除同一人的同类微表情;计算类间k最近邻时,保留同一人的不同类表情,并减小k值。采用个性化学习方法,生成具有更多判别信息的中级特征。在微表情数据集CASME2上的实验表明,所提出的方法具有更好的识别性能。

基于节奏和韵律调制谱特征的音乐流派分类

音乐主要包括形成节奏的冲击成分和形成韵律的和声成分,直接从音乐信号中提取特征会受到这2种成分相互影响。利用节奏与和声在时频平面具有不同规律的特点,通过对音乐信号进行谱图滤波,分离出音乐中的打击成分与和声成分。对打击与和声谱图分别进行小波调制,得到表现音乐节奏和韵律谱规律的调制谱特征,将其作为音乐流派分类中的长时特征。仿真实验结果表明,分离后的打击与和声成分谱图清晰地表征了音乐节奏和韵律的特点和规律;对8类音乐流派提取打击与和声调制谱特征,经线性鉴别分析降维后利用支持向量机进行分类,分类准确率达到73.54%。

基于自编码器的特征迁移算法

近年来,栈式自编码网络(stacked auto-encoder,SAE)在大规模数据集上表现出优异的图像分类性能。相对于其他图像分类方法中手工设计的低级特征,SAE的成功归因于深度网络能够学习到丰富的中级图像特征。然而,估计上百万个网络参数需要非常庞大的带标签的图像样本数据集。这样的性质阻止了SAE在小规模训练数据上的许多应用。在这篇文章中,提出的算法展示如何将SAE在大规模数据集上学习到的图像表示有效地迁移到只有有限训练数据的视觉识别任务中。实验部分设计了一个方法来复用在MNIST数据集上训练得到的隐藏层,以此计算在MNIST-variations数据集上的中级图像表示。实验结果展示了尽管两个数据集之间存在差异,但是被迁移的图像特征能够使得模型的分类性能得到极大的提升。

基于朴素贝叶斯模型的新闻故事分割方法

提出一种基于朴素贝叶斯模型的新闻视频故事分割方法。通过对新闻视频进行镜头检测,获得候选故事边界点,从候选边界点周围镜头提取多模态中级特征,形成属性集合作为输入,应用朴素贝叶斯模型对候选边界点进行分类后对结果进行后处理,得到新闻故事。实验结果表明,该方法获得了较高的查准率和查全率,对不同类型的新闻节目有良好的适应性。