CN108846380A - 一种基于代价敏感卷积神经网络的人脸表情识别方法 - Google Patents
一种基于代价敏感卷积神经网络的人脸表情识别方法 Download PDFInfo
- Publication number
- CN108846380A CN108846380A CN201810734523.7A CN201810734523A CN108846380A CN 108846380 A CN108846380 A CN 108846380A CN 201810734523 A CN201810734523 A CN 201810734523A CN 108846380 A CN108846380 A CN 108846380A
- Authority
- CN
- China
- Prior art keywords
- layer
- cost
- output
- pooling
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 230000008921 facial expression Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000014509 gene expression Effects 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000011176 pooling Methods 0.000 claims description 41
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008451 emotion Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 239000002243 precursor Substances 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims 1
- 230000001815 facial effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008909 emotion recognition Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 230000002996 emotional effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于代价敏感卷积神经网络的人脸表情识别方法。在考虑人脸表情类别错分带来损失的基础上，将错分引起的代价融入模型训练与参数优化全过程中，在模型训练过程中，考虑不同表情类别的错分所造成的不同影响，并根据错分引起的损失大小自适应地调整模型参数，最大限度地降低表情类型错分而引起的损失。本方法解决了现有基于卷积神经网络的人脸表情识别模型中假定或默认不同表情类别错分代价影响均等的问题，在提高表情识别精度的同时，降低因表情错误分类而引起的损失，具有较强的面部情感识别能力。
Description
技术领域
本发明属于智能人机交互技术领域，涉及一种人脸表情识别方法，具体地说，是指一种采用代价敏感的卷积神经网络训练人脸表情识别模型，并进行人脸表情识别的方法。
背景技术
表情是人类情感在面部的表达方式，包含了诸多人类情感和心理活动信息，表情识别旨在挖掘人类面部隐藏的情感特征并进行情感分类。目前，表情识别已成为互联网及相关行业关注的热点，尤其是交通安全、营销策略、智能人机交互、情感机器人、智能家居等领域。
人脸表情识别主要包含人脸检测、表情特征提取和情感特征分类三个部分，其中，表情特征提取是表情识别的核心，直接影响人脸表情识别的精度。浅层学习算法通过人工方式提取面部情感特征，在一定程度上会损失原有的情感信息，而数据驱动的深度学习算法，通过构建一种深层的非线性网络结构，使其能够自主地从样本数据中学习更具表征能力的面部情感特征，从而提高面部表情识别精度。
卷积神经网络(Convolutional Neural Network，CNN)是一种包含卷积单元的深度学习方法，受脑神经科学研究的启发，旨在模拟视觉神经皮层中的神经元细胞对收到的视觉信息进行分层处理的过程机理，主要通过卷积层、池化层和全连接层获取二维图像在不同层次的特征。卷积神经网络算法具有局部感知、权值共享和子采样等特点，能够获取观测数据对图像平移、缩放和旋转不变的显著特征，已广泛应用于人脸表情识别领域。然而，现有的卷积神经网络算法在进行人脸表情识别过程中，默认或者假设不同表情类型的错分所造成的损失或引起的代价相同。但是在现实应用场景中，不同表情类别因错分而造成的损失代价大不相同，例如，基于表情识别结果的交通安全应用，希望检测到司机“愤怒”或“焦虑”时，提醒其停车休息，以防交通事故发生；“瞌睡”时提醒其注意驾驶；“平静”时提醒其正常驾驶。在这种请况下，将司机的表情状态从“愤怒”错分为“平静”所造成的损失代价，远远大于从“平静”错分为“愤怒”的情况，前者可能引起人员伤亡，后者可能仅浪费一点时间。可见，不同表情的错分代价均等这一假设与事实相悖。实际上，不同表情错分结果的实际应用所造成的代价不同甚至相差很大，忽略表情错分代价将必然降低人脸表情识别模型的实用性。
发明内容
本发明针对已有卷积神经网络算法进行人脸表情识别时，忽略不同表情类别错分而引起的代价问题，提出了一种基于代价敏感卷积神经网络的人脸表情识别方法，在考虑人脸表情类别错分带来损失的基础上，将错分引起的代价融入模型训练与参数优化全过程中，最大限度地降低表情类型错分而引起的损失，提高了模型的实用性。
本发明在累计均方误差的基础上，结合表情类型错分代价矩阵，设计了一种代价敏感的损失函数：
其中，k是指训练样本的个数，n是指输出层神经元的个数，class(i)是指第i个训练样本的标签，Costclass(i),j是指将第i个训练样本的class(i)类错分为j类的代价，yij分别是第i个训练样本对应输出层第j个神经元的预测输出值、实际输出值。
以优化上式所示的损失函数为目标，构建代价敏感卷积神经网络训练策略，并基于该策略训练人脸表情识别模型，包括以下技术内容：
根据不同表情类别错分所带来的影响，设计错分代价矩阵；
构建卷积神经网络模型，确定网络层数和每层的神经元节点个数，并初始化权重矩阵和节点偏置等相关参数；
输入训练样本数据，根据卷积神经网络的模型结构和相关参数，进行前向传播，得到训练样本对应的预测输出值，并将其带入代价敏感的损失函数式中，计算得到训练样本的损失代价；
根据训练样本的损失代价和反向传播算法，计算卷积神经网络模型中每一层的代价敏感度；
根据随机梯度下降算法，计算权重修正值和偏置修正值，更新卷积神经网络模型参数；
判断迭代次数或损失代价是否达到阈值，如果均未满足，则继续迭代并计算权重修正值和偏置修正值；否则训练结束，得到优化好的基于代价敏感卷积神经网络的人脸表情识别模型。
有益效果
本发明所提方法解决了现有基于卷积神经网络的人脸表情识别模型中假定或默认不同表情类别错分代价影响均等的问题，在模型训练过程中，考虑不同表情类别的错分所造成的不同影响，并根据错分引起的损失大小自适应地调整模型参数，以便在提高表情识别精度的同时，降低因表情错误分类而引起的损失，具有较强的面部情感识别能力。
附图说明
图1是卷积神经网络模型；
图2是前向传播中的卷积操作过程；
图3是前向传播中的池化操作过程；
图4是上采样操作过程；
图5是实验结果图。
具体实施方式
下面结合附图及实施例对本发明方法作进一步详细说明。
一种基于代价敏感卷积神经网络的人脸表情识别方法，包括以下步骤：
步骤1：根据不同表情类别错分所带来的影响，设计错分代价矩阵。
步骤2：构建卷积神经网络模型，确定网络层数、特征图个数以及卷积核的大小等，并初始化权重矩阵和节点偏置等相关参数。
构建如图1所示的卷积神经网络模型，并将所有节点的偏置参数b初始化为0，且在(-1,1)范围内随机初始化权重矩阵ω＝(ωij)，如式(1)所示：
其中，ωij为网络前一层第i个特征图与当前层第j个特征图之间的卷积核，nin为输入神经元的个数，nout为输出神经元的个数，rand(0,1)函数用于产生取值范围在(0,1)区间内的随机数。
步骤3：输入训练样本数据，根据卷积神经网络的模型结构和相关参数，进行前向传播，得到训练样本对应的预测输出值，并将其带入代价敏感的损失函数式(2)中，计算得到训练样本的损失代价；
其中，k是指训练样本的个数，n是指输出层神经元的个数，class(i)是指第i个训练样本的标签，Costclass(i),j是指将第i个训练样本的class(i)类错分为j类的代价，yij分别是第i个训练样本对应输出层第j个神经元的预测输出值、实际输出值。
前向传播过程主要涉及卷积操作和池化操作两部分，下面将分别详述。
卷积操作：用权重不同的卷积核对输入特征图进行映射，再加上偏置，经过激活函数计算得到卷积层的输出特征图，如图2所示。假设池化层为第l-1层，卷积层为第l层，则卷积操作计算如式(3)所示：
其中，i表示池化层(l-1层)特征图的序号，j表示卷积层(l层)特征图的序号，m表示连接到卷积层(l层)第j个特征图的池化层(l-1层)特征图个数，yj l表示卷积层(l层)第j个特征图，表示池化层(l-1层)第i个特征图，bj l表示卷积层(l层)第j个特征图的偏置值，f(·)为激活函数。
池化操作：采用均值池化或最大值池化的方式进行特征图缩放，以减小模型参数维数，如图3所示。池化操作过程不改变特征图的个数，即池化层与前驱卷积层之间的特征映射是一一对应的，则池化操作如式(4)所示：
其中，和分别表示池化层(l层)和卷积层(l-1层)的第j个特征图；down(g)为池化操作函数。
将训练样本的预测值、期望值和相应的错分代价代入式(2)中，计算训练样本的损失代价。
步骤4：根据训练样本的损失代价和反向传播算法，计算卷积神经网络模型中每一层的代价敏感度。
以最小化错误分类所造成的损失代价为目标，采用反向传播算法，根据训练样本错误分类造成的总体损失代价，依次计算每层网络的代价敏感度，用于更新修正网络权值参数。设第k个样本的实际输出值将不同情感错分类型所引起的损失代价融入CNN方法中，则模型在单个训练样本k上的损失代价为Ek，其计算如式(5)所示：
其中表示输出层第j个神经元的实际输出值，表示输出层第j个神经元的期望输出值。
以第k个训练样本为例，其每层的代价敏感度计算可分为三个阶段：
(1)输出层到全连接层的反向传播
假设：全连接层第h个神经元的输出为vh、偏置为bh，从全连接层第h个神经元到输出层第i个神经元的连接权重为ωhi，则输出层第i个神经元的输入值βi为：
其中，q为全连接层的神经元个数。
设输出层神经元的激活函数为f(·)，则输出层第i个神经元的预测输出值为：
根据链式求导法则，注意到ωhi先影响输出层第i个神经元的输入值βi，再影响其预测输出值最后影响样本损失代价Ek，则权值梯度的计算如式(8)所示：
由式(6)βi的定义，可得出：
同理，根据链式求导法则，注意到bh先影响输出层第i个神经元的输入值βi，再影响其预测输出值最后影响样本损失代价Ek，则偏置梯度的计算如式(10)所示：
由式(6)βi的定义，可得出：
那么，输出层第i个神经元的代价敏感度δi为：
(2)池化层到卷积层的反向传播
由公式(4)可知，池化过程只改变特征图的尺寸大小，而不改变特征图的个数。因此，在反向传播过程中，需预先对每一个特征图进行上采样操作，使其还原到原始特征图的大小。假设卷积层、池化层分别为第l层、l+1层，且卷积层和池化层第j个特征图的代价敏感度分别为则可由通过上采样操作计算得到，如式(13)所示：
其中，是指网络l层(卷积层)第j个特征图的输入，upsample(·)表示上采样操作函数，f'(·)为激活函数的导数。上采样操作过程如图4所示。
卷积层误差对权重的偏导数等于其前驱池化层第p个特征图和当前卷积层l的代价敏感度的卷积之和，其计算如式(14)所示：
同理可得，卷积层误差对偏置的偏导数为：
其中，u,v分别为网络l层(卷积层)第j个特征图的行数和列数。
(3)卷积层到池化层的反向传播
由公式(3)可知，卷积过程会改变特征图的个数。因此，在反向传播过程中，需预先确定卷积神经元与池化神经元之间的对应关系。假设卷积层、池化层分别为第l层、l-1层，且卷积层第i个特征图的代价敏感度为则池化层第j个特征图的代价敏感度计算如式(16)所示：
其中，是l层(卷积层)第i个特征图的卷积核权值，是l-1层(池化层)第j个特征图的输出值。
步骤5：根据随机梯度下降算法，计算权重修正值和偏置修正值，更新卷积神经网络模型参数。
权重的更新公式为：
偏置的更新公式为：
其中，t是指训练过程的第t次迭代。
步骤6：判断迭代次数或损失代价是否达到阈值，如果均未满足，则继续迭代并计算权重修正值和偏置修正值；否则训练结束，得到优化好的基于代价敏感卷积神经网络的人脸表情识别模型。
实施例
本发明采用CK+数据集，其中80％的数据作为训练数据集进行模型训练，20％的数据作为测试集进行模型验证。表1给出了部分实验数据，输出层包含6种表情类型。
表1实验数据
如图5所示的实验结果，给出了本发明所提方法、现有的机器学习方法SVM+LBP以及卷积神经网络方法的实验结果对比。实验结果表明：采用本发明所提方法进行人脸表情识别，其总体代价均低于SVM+LBP和CNN方法。
Claims (3)
1.一种基于代价敏感卷积神经网络的人脸表情识别方法，其特征在于，包括以下步骤：
步骤1：根据不同表情类别错分所带来的影响，设计错分代价矩阵；
步骤2：构建卷积神经网络模型，确定网络层数、特征图个数以及卷积核的大小；将所有节点的偏置参数b初始化为0，且在(-1,1)范围内随机初始化权重矩阵ω＝(ωij)，如式(1)所示：
其中，ωij为网络前一层第i个特征图与当前层第j个特征图之间的卷积核，nin为输入神经元的个数，nout为输出神经元的个数，rand(0,1)函数用于产生取值范围在(0,1)区间内的随机数；
步骤3：输入训练样本数据，根据卷积神经网络进行前向传播，得到训练样本对应的预测输出值，并将其带入代价敏感的损失函数式(2)中，计算得到训练样本的损失代价：
其中，k是指训练样本的个数，n是指输出层神经元的个数，class(i)是指第i个训练样本的标签，Costclass(i),j是指将第i个训练样本的class(i)类错分为j类的代价，yij分别是第i个训练样本对应输出层第j个神经元的预测输出值、实际输出值；
将训练样本的预测值、期望值和相应的错分代价代入式(2)中，计算训练样本的损失代价；
步骤4：根据训练样本的损失代价和反向传播算法，计算卷积神经网络模型中每一层的代价敏感度；
以最小化错误分类所造成的损失代价为目标，采用反向传播算法，根据训练样本错误分类造成的总体损失代价，依次计算每层网络的代价敏感度，用于更新修正网络权值参数；设第k个样本的实际输出值将不同情感错分类型所引起的损失代价融入CNN方法中，则模型在单个训练样本k上的损失代价为Ek，其计算如式(5)所示：
其中表示输出层第j个神经元的实际输出值，表示输出层第j个神经元的期望输出值；
步骤5：根据随机梯度下降算法，计算权重修正值和偏置修正值，更新卷积神经网络模型参数；
权重的更新公式为：
偏置的更新公式为：
其中，t是指训练过程的第t次迭代；
步骤6：判断迭代次数或损失代价是否达到阈值，如果均未满足，则继续迭代并计算权重修正值和偏置修正值；否则训练结束，得到优化好的基于代价敏感卷积神经网络的人脸表情识别模型。
2.如权利要求1所述的一种基于代价敏感卷积神经网络的人脸表情识别方法，其特征在于，所述前向传播过程包括卷积操作和池化操作两部分，具体如下：
卷积操作：用权重不同的卷积核对输入特征图进行映射，再加上偏置，经过激活函数计算得到卷积层的输出特征图；
设池化层为第l-1层，卷积层为第l层，则卷积操作计算如式(3)所示：
其中，i表示池化层特征图的序号，j表示卷积层特征图的序号，m表示连接到卷积层第j个特征图的池化层特征图个数，表示卷积层第j个特征图，表示池化层第i个特征图，表示卷积层第j个特征图的偏置值，f(·)为激活函数；
池化操作：采用均值池化或最大值池化的方式进行特征图缩放，以减小模型参数维数；池化操作过程不改变特征图的个数，即池化层与前驱卷积层之间的特征映射是一一对应的，则池化操作如式(4)所示：
其中，和分别表示池化层和卷积层的第j个特征图；down(g)为池化操作函数。
3.如权利要求1所述的一种基于代价敏感卷积神经网络的人脸表情识别方法，其特征在于，所述训练样本每层的代价敏感度计算分为三个阶段：
(1)输出层到全连接层的反向传播
假设：全连接层第h个神经元的输出为vh、偏置为bh，从全连接层第h个神经元到输出层第i个神经元的连接权重为ωhi，则输出层第i个神经元的输入值βi为：
其中，q为全连接层的神经元个数；
设输出层神经元的激活函数为f(·)，则输出层第i个神经元的预测输出值为：
根据链式求导法则，注意到ωhi先影响输出层第i个神经元的输入值βi，再影响其预测输出值最后影响样本损失代价Ek，则权值梯度的计算如式(8)所示：
由式(6)βi的定义，可得出：
同理，根据链式求导法则，注意到bh先影响输出层第i个神经元的输入值βi，再影响其预测输出值最后影响样本损失代价Ek，则偏置梯度的计算如式(10)所示：
由式(6)βi的定义，可得出：
则输出层第i个神经元的代价敏感度δi为：
(2)池化层到卷积层的反向传播
假设卷积层、池化层分别为第l层、l+1层，且卷积层和池化层第j个特征图的代价敏感度分别为则由通过上采样操作计算得到，如式(13)所示：
其中，是指网络l层第j个特征图的输入，upsample(·)表示上采样操作函数，f'(·)为激活函数的导数；
卷积层误差对权重的偏导数等于其前驱池化层第p个特征图和当前卷积层l的代价敏感度的卷积之和，其计算如式(14)所示：
同理，卷积层误差对偏置的偏导数为：
其中，u,v分别为网络l层第j个特征图的行数和列数。
(3)卷积层到池化层的反向传播
假设卷积层、池化层分别为第l层、l-1层，且卷积层第i个特征图的代价敏感度为则池化层第j个特征图的代价敏感度计算如式(16)所示：
其中，是l层第i个特征图的卷积核权值，是l-1层第j个特征图的输出值。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810310762 | 2018-04-09 | ||
| CN201810310762X | 2018-04-09 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108846380A true CN108846380A (zh) | 2018-11-20 |
| CN108846380B CN108846380B (zh) | 2021-08-24 |
Family
ID=64200275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810734523.7A Active CN108846380B (zh) | 2018-04-09 | 2018-07-06 | 一种基于代价敏感卷积神经网络的人脸表情识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108846380B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109614929A (zh) * | 2018-12-11 | 2019-04-12 | 济南浪潮高新科技投资发展有限公司 | 基于多粒度代价敏感卷积神经网络的人脸检测方法及系统 |
| CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
| CN110110754A (zh) * | 2019-04-03 | 2019-08-09 | 华南理工大学 | 基于代价局部泛化误差的不平衡问题的分类方法 |
| CN110610138A (zh) * | 2019-08-22 | 2019-12-24 | 西安理工大学 | 一种基于卷积神经网络的面部情感分析方法 |
| CN111275113A (zh) * | 2020-01-20 | 2020-06-12 | 西安理工大学 | 基于代价敏感混合网络的偏斜类时间序列异常检测方法 |
| CN111325143A (zh) * | 2020-02-18 | 2020-06-23 | 西北工业大学 | 一种数据集不均衡条件下的水下目标识别方法 |
| CN111507224A (zh) * | 2020-04-09 | 2020-08-07 | 河海大学常州校区 | 一种基于网络剪枝的cnn人脸表情识别显著性分析方法 |
| CN112381018A (zh) * | 2020-11-19 | 2021-02-19 | 北京影谱科技股份有限公司 | 基于改进弹性模块匹配算法的人脸表情识别方法 |
| CN114693971A (zh) * | 2022-03-29 | 2022-07-01 | 深圳市大数据研究院 | 分类预测模型生成方法及分类预测方法、系统、平台 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567998A (zh) * | 2012-01-06 | 2012-07-11 | 西安理工大学 | 基于双模板匹配和边缘细化的头肩序列图像分割方法 |
| CN106295574A (zh) * | 2016-08-12 | 2017-01-04 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| US20170083752A1 (en) * | 2015-09-18 | 2017-03-23 | Yahoo! Inc. | Face detection |
| CN107506722A (zh) * | 2017-08-18 | 2017-12-22 | 中国地质大学（武汉） | 一种基于深度稀疏卷积神经网络人脸情感识别方法 |
| US20180018555A1 (en) * | 2016-07-15 | 2018-01-18 | Alexander Sheung Lai Wong | System and method for building artificial neural network architectures |
| CN107657204A (zh) * | 2016-07-25 | 2018-02-02 | 中国科学院声学研究所 | 深层网络模型的构建方法及人脸表情识别方法和系统 |
| CN107766850A (zh) * | 2017-11-30 | 2018-03-06 | 电子科技大学 | 基于结合人脸属性信息的人脸识别方法 |
-
2018
- 2018-07-06 CN CN201810734523.7A patent/CN108846380B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567998A (zh) * | 2012-01-06 | 2012-07-11 | 西安理工大学 | 基于双模板匹配和边缘细化的头肩序列图像分割方法 |
| US20170083752A1 (en) * | 2015-09-18 | 2017-03-23 | Yahoo! Inc. | Face detection |
| US20180018555A1 (en) * | 2016-07-15 | 2018-01-18 | Alexander Sheung Lai Wong | System and method for building artificial neural network architectures |
| CN107657204A (zh) * | 2016-07-25 | 2018-02-02 | 中国科学院声学研究所 | 深层网络模型的构建方法及人脸表情识别方法和系统 |
| CN106295574A (zh) * | 2016-08-12 | 2017-01-04 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| CN107506722A (zh) * | 2017-08-18 | 2017-12-22 | 中国地质大学（武汉） | 一种基于深度稀疏卷积神经网络人脸情感识别方法 |
| CN107766850A (zh) * | 2017-11-30 | 2018-03-06 | 电子科技大学 | 基于结合人脸属性信息的人脸识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| ANDRE TEIXEIRA LOPES等: "A Facial Expression Recognition System Using Convolutional Networks", 《2015 28TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES》 * |
| HUIFANG LI等: "Expression Recognition Based Constructing Strategy for Virtual Learning Community", 《PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE》 * |
| 产文涛: "基于卷积神经网络的人脸表情和性别识别", 《中国优秀硕士学位论文全文数据库》 * |
| 杨国亮等: "基于卷积神经网络的人脸年龄估计方法", 《北京联合大学学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109614929A (zh) * | 2018-12-11 | 2019-04-12 | 济南浪潮高新科技投资发展有限公司 | 基于多粒度代价敏感卷积神经网络的人脸检测方法及系统 |
| CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
| CN110110754A (zh) * | 2019-04-03 | 2019-08-09 | 华南理工大学 | 基于代价局部泛化误差的不平衡问题的分类方法 |
| CN110110754B (zh) * | 2019-04-03 | 2022-03-29 | 华南理工大学 | 基于代价局部泛化误差的不平衡问题的分类方法 |
| CN110610138A (zh) * | 2019-08-22 | 2019-12-24 | 西安理工大学 | 一种基于卷积神经网络的面部情感分析方法 |
| CN111275113A (zh) * | 2020-01-20 | 2020-06-12 | 西安理工大学 | 基于代价敏感混合网络的偏斜类时间序列异常检测方法 |
| CN111275113B (zh) * | 2020-01-20 | 2023-04-07 | 西安理工大学 | 基于代价敏感混合网络的偏斜类时间序列异常检测方法 |
| CN111325143A (zh) * | 2020-02-18 | 2020-06-23 | 西北工业大学 | 一种数据集不均衡条件下的水下目标识别方法 |
| CN111507224A (zh) * | 2020-04-09 | 2020-08-07 | 河海大学常州校区 | 一种基于网络剪枝的cnn人脸表情识别显著性分析方法 |
| CN111507224B (zh) * | 2020-04-09 | 2022-08-30 | 河海大学常州校区 | 一种基于网络剪枝的cnn人脸表情识别显著性分析方法 |
| CN112381018A (zh) * | 2020-11-19 | 2021-02-19 | 北京影谱科技股份有限公司 | 基于改进弹性模块匹配算法的人脸表情识别方法 |
| CN114693971A (zh) * | 2022-03-29 | 2022-07-01 | 深圳市大数据研究院 | 分类预测模型生成方法及分类预测方法、系统、平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108846380B (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846380B (zh) | 一种基于代价敏感卷积神经网络的人脸表情识别方法 | |
| CN107273845B (zh) | 一种基于置信区域和多特征加权融合的人脸表情识别方法 | |
| Taqi et al. | The impact of multi-optimizers and data augmentation on TensorFlow convolutional neural network performance | |
| CN111858989B (zh) | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 | |
| CN108664967B (zh) | 一种多媒体页面视觉显著性预测方法及系统 | |
| EP3121767A1 (en) | Methods and systems for implementing deep spiking neural networks | |
| CN104866810A (zh) | 一种深度卷积神经网络的人脸识别方法 | |
| CN110414541B (zh) | 用于识别物体的方法、设备和计算机可读存储介质 | |
| CN116134454A (zh) | 用于使用知识蒸馏训练神经网络模型的方法和系统 | |
| CN106408562A (zh) | 基于深度学习的眼底图像视网膜血管分割方法及系统 | |
| CN111881262A (zh) | 基于多通道神经网络的文本情感分析方法 | |
| CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
| CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
| CN113673244B (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
| DE112020005663T5 (de) | Objekterkennung mit training aus mehreren datensätzen | |
| CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
| Chumuang et al. | Intelligent handwriting Thai Signature Recognition System based on artificial neuron network | |
| Li et al. | Adaptive dropout method based on biological principles | |
| CN102034093A (zh) | 一种基于优化计算的特征点匹配方法 | |
| Reddy et al. | Effect of image colourspace on performance of convolution neural networks | |
| CN112287665B (zh) | 基于自然语言处理和集成训练的慢病数据分析方法及系统 | |
| Tejesh et al. | Prediction of Mental Health of Aged Persons based on their Nervous System using Deep Learning Algorithms | |
| CN118656633B (zh) | 一种在险态场景下驾驶风格的预测方法与装置 | |
| Lv | An improved neural network algorithm for acceleration sensor to recognize human posture | |
| CN116108158B (zh) | 在线互动问答文本特征构造方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |