一种基于词频-逆文档频率和混合损失的表情识别算法

面部表情能自然高效地表达人类的心理活动和思想状态,影响着人们的沟通交流过程。在诸多智能化应用中,人脸表情识别是人类与机器间建立情感交互的重要基础。在细粒度人脸表情识别任务中,由于特征提取网络对表情产生区域的关键特征处理不足,从而引发细节特征信息丢失问题。提出一种词频-逆文档频率注意力机制TF-IDF SPA,通过该机制调整表情产生关键区域的注意力分布,强化网络对该区域关键细节特征的提取能力。同时,为了应对表情识别任务中普遍存在的类间差异小、类内差异大的问题,设计一种改进型混合加权损失函数,以增强表情类内聚拢性同时增大类间距离。依据数据集中样本的数量分布情况,动态调整损失函数的分类权重值,从而强化模型对小数据量样本的学习能力。在此基础上,将结构简单的TF-IDF SPA模块与卷积层共同堆叠以构建人脸表情识别网络。实验结果表明,该网络具有较好的人脸表情识别性能,在FER2013和CK+数据集上的分类准确率分别达到73.52%和98.27%。

现实场景下基于数据增强的人脸表情识别

现实场景下获取的人脸表情图像受姿态、背景、性别、种族等的影响,使得在此类不可控环境下的人脸表情识别率低。针对上述问题,现在出现了各种数据增强的方式,用于实现现实场景下的人脸表情图像数据增强,目的是通过增加数据集的多样性来提升分类精确度。实验结果证明,文中所提方法相较于传统的将所有表情进行同步数据增强的方法,在FER2013数据集上实现了50%识别精确度的提升,且将损失维持在了1.5左右。

基于VGGNet的人脸表情识别研究

针对传统卷积神经网络(Convolutional Neural Network,CNN)在人脸表情识别中有效特征提取不够、泛化能力不强及识别准确性不高等缺点,研究选用具有更小卷积核和更深池化层的视觉几何组网络(Visual Geometry Group Network,VGGNet)进行人脸表情识别系统的设计。为了验证识别效果,在传统CNN和VGGNet框架下进行人脸表情识别系统的搭建,使用FER2013公开数据集进行训练和测试,并对测试结果进行对比分析。实验表明,传统CNN模型在人脸表情识别任务中的识别率仅为88%,而VGGNet则能够取得高达98%的识别率。此外,利用真人实际测试验证了研究搭建的VGGNet模型具有很好的表情识别效果。

抑郁症患者表情实时识别系统研究与设计

面部表情信息是评估抑郁症患者行为特点的重要依据之一。文中对当前以深度学习为基础的表情特征提取方法进行改进,解决运行时间长、推广性差的问题;并以此为表情识别算法依据,提出一种抑郁症患者表情实时识别系统。该系统具备表情识别、实时记录、数据管理等功能。经验证,文中算法在Fer2013测试集上的准确率为80.19%,能准确识别患者表情。所提系统的响应时间较短,负载压力较强,可作为自动化手段分析患者表情变化情况,以进行辅助诊断。

基于SWA优化级联网络的表情识别方法

为了提高表情识别技术的检测精度,文中提出了一种采用随机权重平均SWA优化级联网络的人脸表情识别方法。与单个卷积网络相比,多网络级联能得到更好的检测精度。相对于传统的SGD训练方法,SWA训练方法能增强级联网络中子网络的泛化能力,进一步提高模型的整体性能。通过在Fer2013数据集上测试实验发现,基于SWA方法训练采用加权求和法方式级联的网络模型识别准确率达到74.478%,相对于传统SGD方法训练的单网络模型提高了1.4%以上。另外,与其他典型方法相比,所提改进模型的识别准确率更高。

基于CNN集成学习的人脸表情识别系统的设计

随着计算机计算资源的提升以及深度学习理论的不断丰富,自动的人脸表情识别技术已经得到了进一步的发展。但由于表情存在复杂性以及微妙性,实现实时的人脸表情识别仍是一大难题。文章设计了一种基于CNN集成学习的人脸表情识别系统,该系统在FER2013数据集上表情的识别准确率达到70.84%,能够实现实时的、高精度的表情识别。

基于Android的人脸表情识别应用

表情可以表达人的心理状态,目前人脸表情识别已应用到多个领域,具有广阔的研究前景。本文介绍了Fer2013人脸表情数据集在MiniVGG13网络上训练后获得模型,并将模型移植到Android平台后进行表情识别的过程。重点介绍了TensorFlow Lite转换器变换格式的过程和安卓调用TensorFlow Lite解释器进行表情识别的方法,并实现了人脸表情识别应用,旨在推动人工智能在移动端的发展和应用。

基于高斯函数的池化算法

针对卷积神经网络(CNN)中的传统池化算法不能很好地考虑到池化域内每个元素与该池化域所含特征之间关联性的问题,提出一种基于高斯函数的池化算法。首先根据池化域内各元素的值和所有元素的最大值计算高斯函数的三个参数值,然后运用高斯函数计算池化域内所有元素的权重,最后根据这些权重对池化域内所有元素值计算加权平均值,并以此作为池化结果。选择LeNet5、VGG16、ResNet18和MobileNet v3作为实验模型,在公开数据集CIFAR-10、Fer2013和德国交通标志识别基准(GTSRB)上进行实验,并与最大池化、平均池化、随机池化、混合池化、模糊池化、融合随机池化和soft池化这七种池化算法进行对比。实验结果表明,所提算法在三个数据集上相较其他算法在精度方面均有0.5个百分点到6个百分点的提升,且在运行效率方面优于上述除最大池化和平均池化两种池化算法外的其他池化算法,从而验证所提算法有效且具适合应用于对运算时间要求不高但对精度要求较高的情况。

深度学习在情感识别上的研究

针对现有情感分析算法在处理大量的人脸数据时未能展现良好鲁棒性的问题,提出一种新的情感识别方法。提出Z-libface人脸检测器,并设计出一种新的卷积神经网络模型RT-CNN,同时使用大型表情数据集fer2013以及改良后的FER+,训练出一个比较好的模型。使用提出的卷积神经网络RT-CNN在fer2013、FER+两个表情数据集上进行10倍交叉验证,取10次验证准确率的平均值,在fer2013及FER+上取得了66.72%与80.02%的准确率。