基于稀缺数据集下BN参数学习的目标识别

针对贝叶斯网络(BN)在目标识别参数建模中常常面临特征数据样本相对稀缺的问题,研究了将稀缺数据集与定性专家经验相融合来估算BN模型参数的方法——CSDE,并据此提出了一种目标识别算法。该算法在BN结构已知的情况下,将定性专家经验转化为BN条件概率之间的约束集合;随后引入凸优化求解方法完成BN目标识别模型参数的估算。在实验研究中,先通过对经典的BN模型的参数学习问题验证了CSDE算法的有效性;随后,针对实际稀缺样本数据集目标识别问题,进行了建模及识别实验。实验结果表明:所提出的算法能够较好地解决样本数据集相对稀缺条件下的目标识别参数建模问题。

基于贝叶斯网和迁移学习的人脸表情识别方法

针对人脸表情识别建模过程中获取的样本数据稀少、模型确定困难等问题,提出了一种基于贝叶斯网和迁移学习的人脸表情识别方法.首先提取人脸表情图像特征构成面部动作单元(AU)特征样本集,然后通过分析面部表情与AU关系建立人脸表情识别贝叶斯网络(BN)结构;其次求得源域BN参数和目标域BN初始参数,引入迁移机制和平衡因子自适应地进行目标网络的参数学习,建立人脸表情识别BN模型;最后利用BN推理算法实现人脸表情识别.实验结果表明,在小数据集条件下,该方法相比支持向量机、Adaboost和卷积神经网络等识别方法具有更高的识别精度.