CN111695513B - 一种基于深度残差网络的人脸表情识别方法 - Google Patents
一种基于深度残差网络的人脸表情识别方法 Download PDFInfo
- Publication number
- CN111695513B CN111695513B CN202010537198.2A CN202010537198A CN111695513B CN 111695513 B CN111695513 B CN 111695513B CN 202010537198 A CN202010537198 A CN 202010537198A CN 111695513 B CN111695513 B CN 111695513B
- Authority
- CN
- China
- Prior art keywords
- residual error
- error network
- network model
- features
- facial expression
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06V40/168—Feature extraction; Face representation
Abstract
本发明公开了一种基于深度残差网络的人脸表情识别方法,利用放大的人脸表情图片对深度残差网络模型进行训练,通过深度残差网络模型对放大的人脸表情图片进行特征提取,使其可以提取到不同尺度的特征以获取图像更丰富的特征,以减少网络参数计算量,然后对提取的特征进行降维处理,对降维处理后的进行残差处理得到不同尺度的图形特征,将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征,将学习图形特征进行下采样处理,这样直接实现降维,极大的减少了网络的参数,并可以对整个网络在结构上做正则化防止过拟合,将获得图像更丰富的特征以提高分类识别的准确率,将下采样处理后的学习图形特征进行分类处理,本发明能够提取到更深层次且不同尺度的图像特征,通过对比实验,表明了该网络具有较好的准确率和鲁棒性。
Description
技术领域
本发明属于人脸识别方法,具体涉及一种基于深度残差网络的人脸表情识别方法。
背景技术
在社会生活中,人脸表情包含着大量的信息。人脸表情识别是人工智能领域的重要研究课题,其在人机交互、安全驾驶、在线教育等邻域具有广阔的应用前景。目前学者对人脸表情识别的研究主要包括传统方法和深度学习方法。
在传统的人脸表情识别系统中,表情图像的特征是需要人工提取的且与分类器是分开设计的,只有提取出易于识别的特征同时选择合适的分类器才能获得较好的识别精度。常见的特征提取方法包括局部二值模式(Local binary pattern,LBP)、尺度不变特征变换(Scale-invariant feature transform,SIFT)、和Gabor小波变换等,常见的分类器包括K最近邻(K nearest neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和贝叶斯分类器等,学者将两者进行结合以达到人脸表情识别的目的。基于传统的表情识别算法主要依赖于人工提取特征的优劣,人为干扰因素较大,并且人脸表情具有高维、多尺度变化、易受光照和角度影响等特点,导致算法的鲁棒性和识别精度都有待提高。
随着深度学习的广泛运用,国内外研究者开始使用深度学习的方法来进行表情识别。深度学习可以解决传统方法提取特征的麻烦,并且能够自动地提取更深层次的表情特征,进而提高识别率。Ouellet S等人将深度卷积神经网络应用于人脸表情识别,通过SVM分类器进行分类。Yu等人提出由多个深度模块组成的卷积神经网络。Mayya等人对深度卷积神经网络进行了近一步的改进。Fathallah A等人提出基于CNN的面部表情识别新架构网络,使用VGG模型对架构进行微调。Lopes等人将卷积神经网络和图像的预处理相结合,使网络更易读取到有效特征。为了提高网络对不同尺度下空间信息的提取能力,许庆勇等人提出一种三通道全连接层的卷积神经网络。Li等人利用Faster R-CNN对表情图像进行识别。许多学者都选择使用神经网络进行人脸表情识别,但是其在训练的过程中很容易出现过拟合的现象,并且不能设置过深的网络来提取更深层次的特征,因此仍需要探索提高人脸表情识别准确率和鲁棒性的新途径。
网络在图像的识别性能上很大程度上取决于网络的深度,但是随着网络深度的不断加深,网络收敛会变得越来越难,极易出现“梯度弥散”或“梯度爆炸”等现象,使得分类的识别准确率反而降低。基于此,He等人提出了著名的深度残差网络ResNet,这一网络的提出很好的解决了由网络深度所带来的问题。越来越多的学者也将ResNet网络应用于人脸表情识别上。针对于人脸表情识别,对ResNet网络虽然进行了一定的修改,但仍然存在以下问题:①网络的深度得到了一定的改善,但是没有提取不同尺度的特征,使得提取到的特征信息不丰富。②网络训练过程中冗余信息过多导致网络参数计算量增大。
发明内容
本发明的目的在于提供一种基于深度残差网络的人脸表情识别方法,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种基于深度残差网络的人脸表情识别方法,包括以下步骤:
步骤1)、获取待训练人脸表情图片,对人脸表情图片进行预处理,裁剪去除多余的背景信息得到放大的人脸表情图片;
步骤2)、构建用于人脸识别的深度残差网络模型,利用放大的人脸表情图片对深度残差网络模型进行训练:通过深度残差网络模型对放大的人脸表情图片进行特征提取,然后对提取的特征进行降维处理,对降维处理后的进行残差处理得到不同尺度的图形特征,将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征,将学习图形特征进行下采样处理,将下采样处理后的学习图形特征进行分类处理;
步骤3)、重复步骤2)直至达到设定训练步数,得到训练后的深度残差网络模型,利用训练后的深度残差网络模型进行人脸表情识别。
进一步的,深度残差网络模型包括依次相连的卷积层、Maxpool层、第一残差模块、第一过渡层、第二残差模块、第二过渡层、全局池化层、Dropout层和Softmax分类层。
进一步的,卷积层用于放大的人脸表情图片经过3个3*3卷积层提取特征,对提取的特征经过最大池化层进行降维、压缩数据和参数量;第一残差模块用于从进行降维、压缩数据和参数量的特征中提取到不同尺度的图形特征,第一过渡层对不同尺度的图形特征进行压缩,再将压缩后的图形特征输入到第二残差模块继续提取特征,并将提取的特征输入到第二过渡层进行压缩得到学习图形特征。
进一步的,第一残差模块由若干个残差学习单元组成,残差学习单元包括含有三条卷积层的支路。
进一步的,学习图形特征经过全局池化层和Dropout层进行下采样处理,下采样处理后的学习图形特征经过Softmax分类器进行分类。
进一步的,Softmax分类器的输入是一个任意实数的向量,输出是一个向量,其中每个元素的取值在(0,1)之间,且其和为1,设有一个数组,其Softmax表达式为:
其中Si表示Softmax的取值,ei表示第i个元素,∑jej表示所有元素之和;深度残差网络模型的输入大小为112*112。
进一步的,步骤2)中,利用放大的人脸表情图片对深度残差网络模型进行训练开始前,对深度残差网络模型进行权值初始化,然后将放大的人脸表情图片输入权值初始化后的深度残差网络模型中,放大的人脸表情图片经过深度残差网络模型的前向传播得到输出值,根据每次深度残差网络模型的输出值得到深度残差网络模型中的损失值。
进一步的,采用交叉熵损失函数获取深度残差网络模型中的损失值,交叉熵H(p,q)是用来评价当前训练得到的概率分布和真实分布的差异情况,减少交叉熵损失就是在提高模型的预测准确率,
其中p(x)是指真实分布的概率,q(x)是模型通过数据计算出来的概率估计。
进一步的,根据获取的深度残差网络模型中的损失值进行反向传播更新权值,重复深度残差网络模型的训练,直至达到设定的训练步数时结束训练,得到训练后的深度残差网络模型。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种基于深度残差网络的人脸表情识别方法,利用放大的人脸表情图片对深度残差网络模型进行训练,通过深度残差网络模型对放大的人脸表情图片进行特征提取,使其可以提取到不同尺度的特征以获取图像更丰富的特征,以减少网络参数计算量,然后对提取的特征进行降维处理,对降维处理后的进行残差处理得到不同尺度的图形特征,将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征,将学习图形特征进行下采样处理,这样直接实现降维,极大的减少了网络的参数,并可以对整个网络在结构上做正则化防止过拟合,将获得图像更丰富的特征以提高分类识别的准确率,将下采样处理后的学习图形特征进行分类处理,本发明能够提取到更深层次且不同尺度的图像特征,通过对比实验,表明了该网络具有较好的准确率和鲁棒性。
进一步的,采用过渡层和全局池化层,能够对特征进行压缩,去除冗余信息,简化网络的复杂度以减少计算量。
进一步的,采用含有三条卷积层的支路的残差学习单元可以对输入图像并行的进行多个卷积操作,获得图像不同尺度的特征,将这些特征融合获取图像更丰富的特征。
进一步的,使用全局池化加Dropout降低网络训练过程中的空间参数,有更好的抗拟合效果。
附图说明
图1为本发明实施例中深度残差网络模型示意图。
图2为本发明实施例中残差学习单元结构图。
图3为本发明实施例中过渡层结构图。
图4为本发明实施例中CK+数据库的部分面部图像。
图5为本发明实施例中JAFFE数据库的部分图像。
具体实施方式
下面结合附图对本发明做进一步详细描述:
一种基于深度残差网络的人脸表情识别方法,包括以下步骤:
步骤1)、获取待训练人脸表情图片,对人脸表情图片进行预处理,裁剪去除多余的背景信息得到放大的人脸表情图片;对人脸表情图像进行裁剪,去除多余的背景,有利于网络训练的时候提取有效信息。
步骤2)、构建用于人脸识别的深度残差网络模型,利用放大的人脸表情图片对深度残差网络模型进行训练:通过深度残差网络模型对放大的人脸表情图片进行特征提取,然后对提取的特征进行降维处理,对降维处理后的进行残差处理得到不同尺度的图形特征,将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征,将学习图形特征进行下采样处理,将下采样处理后的学习图形特征进行分类处理;
步骤3)、重复步骤2)直至达到设定训练步数,得到训练后的深度残差网络模型,利用训练后的深度残差网络模型进行人脸表情识别。本申请设定训练步数为50000步。
步骤2)中所搭建的深度残差网络模型包括依次相连的卷积层、Maxpool层、第一残差模块、第一过渡层、第二残差模块、第二过渡层、全局池化层、Dropout层和Softmax分类层;
具体的,首先将放大的人脸表情图片经过3个3*3卷积层提取特征,对提取的特征经过最大池化层进行降维、压缩数据和参数量;再将进行降维、压缩数据和参数量的特征其输入到第一残差模块中,提取到不同尺度的图形特征,图像经过第一残差模块后得到更丰富的图像特征;第一残差模块由若干个残差学习单元组成;其中残差学习单元如图2所示,包括含有三条卷积层的支路;本发明中用于卷积的两条卷积支路,第一条卷积支路先对特征进行1*1卷积后再进行3*3卷积得到特征A,第二条卷积支路对特征进行1*1卷积后进行3*3卷积再进行3*3卷积得到特征B,最后将特征A和特征B合并通过1*1卷积升维,以确保输入输出维数相等。本发明采用残差学习单元可以对输入的图像并行的进行多个卷积操作,以获得输入图像的不同尺度的特征。这样将获得图像更丰富的特征以提高分类识别的准确率。将第一残差模块中的输出(即不同尺度的图形特征)输入到第一过渡层,第一过渡层对不同尺度的图形特征进行压缩,减少网络训练中的参数量,再将压缩后的图形特征输入到第二残差模块继续提取特征,并将提取的特征输入到第二过渡层进行压缩得到学习图形特征。其中第一过渡层和第二过渡层的如图3所示,包含一个3*3卷积和最大池化层,卷积层在提取特征的时候增大维数,增加网络的线性转换能力,使得下一个残差模块的输入维数增大;最大池化层进行的是下采样操作,可去除冗余信息并对特征进行压缩从而减少参数量和计算量。
将学习图形特征经过全局池化层和Dropout层进行下采样处理,降低网络训练过程中的空间参数。一般的神经网络都会选择全连接层后接激活函数进行分类,但是全连接层会导致参数量过大,进而降低了训练的速度,并且很容易过拟合。Dropout层可以比较有效的缓解过拟合的发生,在一定程度上可以达到正则化的效果,其原理是在神经元前向传播的时候,让其中一个神经元的激活值以一定的概率停止工作,这样可以使得模型的泛化性更强,不会太依赖于某些局部特征。本发明选择使用全局池化层和Dropout层设计,人脸表情识别的公共数据库的图像总数量少,在训练过程中极易出现过拟合现象,因此需要添加该层来保证训练过程的正常进行。
最后将下采样处理后的学习图形特征经过Softmax分类器进行分类;Softmax分类器常常用于多分类识别中,它的输入是一个任意实数的向量,输出是一个向量,其中每个元素的取值在(0,1)之间,且其和为1。设有一个数组,其Softmax表达式为:
其中Si表示Softmax的取值,ei表示第i个元素,∑jej表示所有元素之和。本发明统一设定深度残差网络模型的输入大小为112*112,表1给出深度残差网络模型的具体参数设置。
表1网络结构具体参数设置
步骤2)中,利用放大的人脸表情图片对深度残差网络模型进行训练开始前,对深度残差网络模型进行权值初始化,然后将放大的人脸表情图片输入权值初始化后的深度残差网络模型中,放大的人脸表情图片经过深度残差网络模型的前向传播得到输出值,根据每次深度残差网络模型的输出值得到深度残差网络模型中的损失值。
本申请采用交叉熵损失函数获取深度残差网络模型中的损失值,交叉熵H(p,q)是用来评价当前训练得到的概率分布和真实分布的差异情况,减少交叉熵损失就是在提高模型的预测准确率,
其中p(x)是指真实分布的概率,q(x)是模型通过数据计算出来的概率估计。
根据获取的深度残差网络模型中的损失值进行反向传播更新权值,重复深度残差网络模型的训练,直至达到设定的训练步数时结束训练,得到训练后的深度残差网络模型。
采用CK+数据库对本申请方案进行验证:
采用CK+数据库共有123名实验者,593个图像序列,其中327个图像序列中被标记了表情类别,被标记的表情类别包括愤怒、轻蔑、厌恶、恐惧、快乐、悲伤和惊讶。这个数据库是人脸表情识别中较流行的一个数据库,因此很适合针对最新的技术评估。CK+数据库的部分面部图像如图4所示。
JAFFE数据库是由10名灰度正面表情图像组成,该数据库共包含213个图像,包含7类表情(愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性)。JAFFE数据库的部分图像如图5所示。
本文分别在CK+和JAFFE这两个表情数据库上对所提算法进行了实验验证。采用五折交叉验证的方法,将数据集分为5组,其中4组作为训练集,1组作为验证集,共进行5次实验取平均值作为最终的准确率。
4.2.1CK+数据集实验
在CK+数据集中,我们设置残差模块包含不同的残差单元个数进行实验,分别设置为(5,5,5),(5,7,5),(7,7,7)表1显示的是不同个数所获得的准确率,实验证明,在相同的实验环境下,当残差单元的个数不同时,分别取得了98.95%,99.01%,99.68%的准确率,当残差单元个数为(7,7,7)时获得最高的准确率。
表1 CK+上不同残差单元准确率
残差单元的个数 | 准确率(%) |
(5,5,5) | 98.44 |
(5,7,5) | 99.01 |
(7,7,7) | 99.68 |
在表2中,我们与现有的方法进行了比较。实验表明,本文的方法取得了更高的准确率,证明了本文方法的有效性。
表2 CK+上不同方法准确率
4.2.2 JAFFE数据集实验
在JAFFE数据集中,我们设置残差模块包含不同的残差单元个数进行实验,分别设置为(7,7,7),(9,9,9),(12,12,12)表3显示的是不同个数所获得的准确率,实验证明,在相同的实验环境下,当残差单元的个数不同时,分别取得了93.75%,94.06%,96.87%的准确率,当残差单元个数为(12,12,12)时获得最高的准确率。
表3 JAFFE上不同残差单元准确率
残差单元的个数 | 准确率(%) |
(7,7,7) | 93.75 |
(9,9,9) | 94.06 |
(12,12,12) | 96.87 |
在表4中,我们与现有的方法进行了比较。实验表明,本文的方法取得了更高的准确率,证明了本文方法的有效性。
表4 JAFFE上不同方法准确率
本申请基于改进后的深度残差网络进行人脸表情识别,该网络能够提取到更深层次且不同尺度的图像特征。通过对比实验,表明了该网络具有较好的准确率和鲁棒性。虽然本文的算法取得了不错的效果,但是仍然存在着很大的改进空间,后期应该在特征提取这方面再进行研究以获得高的准确率。
Claims (7)
1.一种基于深度残差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)、获取待训练人脸表情图片,对人脸表情图片进行预处理,裁剪去除多余的背景信息得到放大的人脸表情图片;
步骤2)、构建用于人脸识别的深度残差网络模型,利用放大的人脸表情图片对深度残差网络模型进行训练:通过深度残差网络模型对放大的人脸表情图片进行特征提取,然后对提取的特征进行降维处理,对降维处理后的进行残差处理得到不同尺度的图形特征,将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征,将学习图形特征进行下采样处理,将下采样处理后的学习图形特征进行分类处理;深度残差网络模型包括依次相连的卷积层、Maxpool层、第一残差模块、第一过渡层、第二残差模块、第二过渡层、全局池化层、Dropout层和Softmax分类层;卷积层用于放大的人脸表情图片经过3个3*3卷积层提取特征,对提取的特征经过最大池化层进行降维、压缩数据和参数量;第一残差模块用于从进行降维、压缩数据和参数量的特征中提取到不同尺度的图形特征,第一过渡层对不同尺度的图形特征进行压缩,再将压缩后的图形特征输入到第二残差模块继续提取特征,并将提取的特征输入到第二过渡层进行压缩得到学习图形特征;
步骤3)、重复步骤2)直至达到设定训练步数,得到训练后的深度残差网络模型,利用训练后的深度残差网络模型进行人脸表情识别。
2.根据权利要求1所述的一种基于深度残差网络的人脸表情识别方法,其特征在于,第一残差模块由若干个残差学习单元组成,残差学习单元包括含有三条卷积层的支路。
3.根据权利要求1所述的一种基于深度残差网络的人脸表情识别方法,其特征在于,学习图形特征经过全局池化层和Dropout层进行下采样处理,下采样处理后的学习图形特征经过Softmax分类器进行分类。
5.根据权利要求1所述的一种基于深度残差网络的人脸表情识别方法,其特征在于,步骤2)中,利用放大的人脸表情图片对深度残差网络模型进行训练开始前,对深度残差网络模型进行权值初始化,然后将放大的人脸表情图片输入权值初始化后的深度残差网络模型中,放大的人脸表情图片经过深度残差网络模型的前向传播得到输出值,根据每次深度残差网络模型的输出值得到深度残差网络模型中的损失值。
7.根据权利要求6所述的一种基于深度残差网络的人脸表情识别方法,其特征在于,根据获取的深度残差网络模型中的损失值进行反向传播更新权值,重复深度残差网络模型的训练,直至达到设定的训练步数时结束训练,得到训练后的深度残差网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537198.2A CN111695513B (zh) | 2020-06-12 | 2020-06-12 | 一种基于深度残差网络的人脸表情识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537198.2A CN111695513B (zh) | 2020-06-12 | 2020-06-12 | 一种基于深度残差网络的人脸表情识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695513A CN111695513A (zh) | 2020-09-22 |
CN111695513B true CN111695513B (zh) | 2023-02-14 |
Family
ID=72480815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010537198.2A Active CN111695513B (zh) | 2020-06-12 | 2020-06-12 | 一种基于深度残差网络的人脸表情识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695513B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489278A (zh) * | 2020-11-18 | 2021-03-12 | 安徽领云物联科技有限公司 | 一种门禁识别方法及系统 |
CN112668486A (zh) * | 2020-12-30 | 2021-04-16 | 长春理工大学 | 一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体 |
CN112906500B (zh) * | 2021-01-29 | 2023-08-22 | 华南理工大学 | 基于深度特权网络的人脸表情识别方法及系统 |
CN112836679B (zh) * | 2021-03-03 | 2022-06-14 | 青岛大学 | 一种基于双模型概率优化的快速表情识别算法和系统 |
CN114926877B (zh) * | 2022-05-10 | 2024-02-20 | 西北工业大学 | 一种基于对比域差异的跨域人脸表情识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830262A (zh) * | 2018-07-25 | 2018-11-16 | 上海电力学院 | 自然状态下多角度人脸表情识别方法 |
CN110276248A (zh) * | 2019-05-10 | 2019-09-24 | 杭州电子科技大学 | 一种基于样本权值分配和深度学习的人脸表情识别方法 |
WO2020114118A1 (zh) * | 2018-12-07 | 2020-06-11 | 深圳光启空间技术有限公司 | 面部属性识别方法、装置、存储介质及处理器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815785A (zh) * | 2018-12-05 | 2019-05-28 | 四川大学 | 一种基于双流卷积神经网络的人脸情绪识别方法 |
-
2020
- 2020-06-12 CN CN202010537198.2A patent/CN111695513B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830262A (zh) * | 2018-07-25 | 2018-11-16 | 上海电力学院 | 自然状态下多角度人脸表情识别方法 |
WO2020114118A1 (zh) * | 2018-12-07 | 2020-06-11 | 深圳光启空间技术有限公司 | 面部属性识别方法、装置、存储介质及处理器 |
CN110276248A (zh) * | 2019-05-10 | 2019-09-24 | 杭州电子科技大学 | 一种基于样本权值分配和深度学习的人脸表情识别方法 |
Non-Patent Citations (3)
Title |
---|
一种基于卷积神经网络的人脸表情自动识别方法;邹建成等;《北方工业大学学报》;20191015(第05期);全文 * |
一种基于改进的卷积神经网络的人脸表情识别方法;邹建成等;《北方工业大学学报》;20200415(第02期);全文 * |
结合LBP特征和深度学习的人脸表情识别;张广世等;《计算机测量与控制》;20200225(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111695513A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695513B (zh) | 一种基于深度残差网络的人脸表情识别方法 | |
CN111340186B (zh) | 基于张量分解的压缩表示学习方法 | |
CN109063666A (zh) | 基于深度可分离卷积的轻量化人脸识别方法及系统 | |
CN108121975B (zh) | 一种联合原始数据和生成数据的人脸识别方法 | |
CN113469356A (zh) | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 | |
CN110097177B (zh) | 一种基于伪孪生网络的网络剪枝方法 | |
CN113627376B (zh) | 基于多尺度密集连接深度可分离网络的人脸表情识别方法 | |
CN113989890A (zh) | 基于多通道融合和轻量级神经网络的人脸表情识别方法 | |
CN113554084B (zh) | 基于剪枝和轻量卷积的车辆再辨识模型压缩方法及系统 | |
CN115035418A (zh) | 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及系统 | |
Yue et al. | Face recognition based on histogram equalization and convolution neural network | |
CN108537133A (zh) | 一种基于监督学习深度自编码器的人脸重构方法 | |
CN111523483B (zh) | 中餐菜品图像识别方法及装置 | |
CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
CN113705394B (zh) | 一种长短时域特征结合的行为识别方法 | |
CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
Ichimura | Spatial frequency loss for learning convolutional autoencoders | |
CN112561054B (zh) | 一种基于批量特征热图的神经网络滤波器剪枝方法 | |
CN111368734B (zh) | 一种基于正常表情辅助的微表情识别方法 | |
CN113221683A (zh) | 教学场景下基于cnn模型的表情识别方法 | |
Zhu et al. | Fully convolutional neural network structure and its loss function for image classification | |
CN109583406B (zh) | 基于特征关注机制的人脸表情识别方法 | |
CN115620064A (zh) | 一种基于卷积神经网络的点云下采样分类方法及系统 | |
CN113076890B (zh) | 基于改进的通道注意力机制的人脸表情识别方法及系统 | |
CN113688715A (zh) | 面部表情识别方法及系统 |
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 |