CN113505746A - 微表情图像精细化分类方法、装置、设备及可读存储介质 - Google Patents
微表情图像精细化分类方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113505746A CN113505746A CN202110851690.1A CN202110851690A CN113505746A CN 113505746 A CN113505746 A CN 113505746A CN 202110851690 A CN202110851690 A CN 202110851690A CN 113505746 A CN113505746 A CN 113505746A
- Authority
- CN
- China
- Prior art keywords
- micro
- expression image
- expression
- face
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000001815 facial effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 6
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了微表情图像精细化分类方法、装置、设备及可读存储介质，包括：获取待分类微表情图像；将所述待分类微表情图像输入预先构建的微表情图像分类模型，输出微表情图像面部单元分类结果。本发明能够使得微表情图像分类的准确性得到有效的提升。
Description
技术领域
本发明属于图像处理技术领域，具体涉及微表情图像精细化分类方法、装置、设备及可读存储介质。
背景技术
微表情是人脸面部动作的微小变化，传统的微表情识别方法例如局部特征算子(LBP)，梯度直方图(HOG)，光流法等受图像自身属性、特征构造方法往往关注像素级信息和特征构造方法源于经验等因素的影响，这些方法存在泛化能力不强，可解释能力不强的问题。
随着计算机视觉智能分析的发展，基于深度学习的微表情识别方法被提出。基于深度学习的微表情识别方法一般流程为：获取数据集，对数据集进行预处理，将预处理后的数据集送入深度学习模型中进行训练，根据训练结果进行微调，保存调整后的模型。目前基于深度学习的微表情识别方法主要分为两个大类，一类是基于七种基本情绪(喜悦，惊讶，轻蔑，厌恶，愤怒，恐惧，悲伤)的微表情多分类方法，一类是基于保罗.艾克曼博士提出的面部编码系统中面部单元识别的微表情多标签分类方法。微表情多分类方法相较微表情多标签分类方法更加成熟，数据集更加容易获取，模型更加成熟且迁移方便，但是直接使用微表情多分类方法得到的识别效果比较粗糙。目前微表情精细化识别存在数据集获取困难，公开模型较少，识别精度有待提高。传统网络模型只能采用人工方法，划分感兴趣区域，网络无法直接自动聚焦有用信息；传统卷积神经网络、残差网络特征复用、密集网络探索新特征效果欠佳。综上，微表情精细化识别存在网络无法直接自动聚焦有用信息，特征复用和探索新特征效果欠佳问题。
发明内容
针对现有技术中存在的问题，本发明提供了微表情图像精细化分类方法、装置、设备及可读存储介质，使得微表情图像分类的准确性得到有效的提升。
为了解决上述技术问题，本发明通过以下技术方案予以实现：
一种微表情图像精细化分类方法，包括：
获取待分类微表情图像；
将所述待分类微表情图像输入预先构建的微表情图像分类模型，输出微表情图像面部单元分类结果。
进一步地，所述微表情图像分类模型的构建方法为：
获取微表情图像以及微表情图像面部单元标签类别，对所述微表情图像进行预处理；
将预处理后的微表情图像以及微表情图像面部单元标签类别分为训练集和验证集；
利用训练集训练基于注意力机制的双路径卷积神经网络，得到所述微表情图像分类模型，所述微表情图像分类模型输出微表情面部单元图像分类结果。
进一步地，所述微表情图像分类模型构建时，以CASME、CASME2和CAS(ME)^2数据集作为原始数据集，进行面部单元编码。
进一步地，所述对所述微表情图像进行预处理，具体包括：
对微表情图像进行人脸检测与人脸对齐，人脸检测采用基于Pytorch实现MTCNN网络，获取人脸定位点Landmark；MTCNN网络由三个级联网络P-Net、R-Net和O-Net组成，采用候选框加分类器输出人脸的五个关键点坐标；
根据MTCNN网络输出的人脸的五个关键点坐标，采用仿射矩阵将人脸关键点进行对齐，并进行人脸归一化处理，输出处理后的微表情图像；
对处理后的微表情图像进行人脸裁剪，去除与人脸不相关的信息，得到最终的微表情图像。
进一步地，所述注意力机制的双路径卷积神经网络中，注意力机制采用CoordinateAttention机制，双路径卷积神经网络由密集网络与残差网络构成。
进一步地，所述微表情图像分类模型的构建方法还包括：
将验证集输入训练好的所述微表情图像分类模型，输出验证集对应的微表情面部单元图像分类结果；
将验证集对应的微表情面部单元图像分类结果与期望输出的微表情面部单元图像分类结果进行比对，若比对后的正确率小于预设正确率，则用训练集继续训练基于注意力机制的双路径卷积神经网络，直到比对后的正确率不小于预设正确率。
一种微表情图像精细化分类装置，包括：
获取模块，用于获取待分类微表情图像；
输出模块，用于将所述待分类微表情图像输入预先构建的微表情图像分类模型，输出微表情图像面部单元分类结果。
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种微表情图像精细化分类方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现一种微表情图像精细化分类方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：本发明提供的一种微表情图像精细化分类方法，将获取的待分类微表情图像输入预先构建的微表情图像分类模型，输出微表情图像面部单元分类结果。构建的微表情图像分类模型，首先获取微表情图像以及微表情图像面部单元标签类别，对微表情图像进行扩充，将CASME、CASME2和CAS(ME)^2数据集作为原始数据集，进行面部单元编码，制作微表情面部单元数据集，选取微表情图像和微表情图像面部单元标签类别作为输入数据。对微表情图像进行预处理，将预处理后的微表情图像以及微表情图像面部单元标签类别分为训练集和验证集，利用训练集训练基于注意力机制的双路径卷积神经网络，得到微表情图像分类模型。相较于目前微表情精细化识别存在数据集获取困难，本发明进行数据集扩充，以CASME、CASME2和CAS(ME)^2数据集作为原始数据集；相较于网络无法直接自动聚焦有用信息，特征复用和探索新特征效果欠佳，本发明采用注意力机制的双路径卷积神经网络进行模型训练，最终使得微表情图像分类的准确性得到有效的提升。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为微表情面部单元数据集；
图2为基于注意力机制的双路径卷积神经网络的整体流程；
图3为采用Coordinate Attention注意力机制示意图；
图4为双路径卷积神经网络示意图；
图5为微表情图像分类模型正确率曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明一种微表情图像精细化分类方法，具体包括：
步骤1：获取待分类微表情图像。
步骤2：将待分类微表情图像输入预先构建的微表情图像分类模型，输出微表情图像面部单元分类结果。
具体地说，微表情图像分类模型的构建方法如下：
A1：获取微表情图像以及微表情图像面部单元标签类别，对微表情图像进行预处理。
优选的，微表情图像的获取为：以CASME、CASME2和CAS(ME)^2数据集作为原始数据集，进行面部单元编码，制作微表情面部单元数据集，见图1，本实例中，微表情面部单元数据集包含38组20807张微表情图片。由于微表情数据集获取困难，数据集中各个AU出现频次差异较大，因此使用加权多标签损失函数减轻数据不均衡造成的影响。具体地说，加权多标签损失函数为L＝Lcross+Ldice，其中
权重
yi是第i个面部单元真实的标签，值为0表示该面部单元不存在，值为1表示该面部单元存在，pi为预测第i个面部单元存在的概率。Pi表示训练集中第i个面部单元整体的存在频率，wi为每个面部单元的加权权重，加权多标签Dlice系数损失为
本实施例中，对微表情图像进行预处理，具体包括：
A101：对微表情图像进行人脸检测与人脸对齐，人脸检测采用基于Pytorch实现MTCNN网络，获取人脸定位点Landmark；MTCNN网络由三个级联网络P-Net、R-Net和O-Net组成，采用候选框加分类器输出人脸的五个关键点坐标；
A102：根据MTCNN网络输出的人脸的五个关键点坐标，采用仿射矩阵将人脸关键点进行对齐，并进行人脸归一化处理，输出处理后的微表情图像；
A103：对处理后的微表情图像进行人脸裁剪，去除与人脸不相关的信息，得到最终的微表情图像。
本实施例中，人脸归一化，包括亮度归一化和姿态归一化；亮度归一化中包括了直方图归一化以及对比度归一化；姿态归一化是将人脸定位点landmark进行对齐，使用仿射矩阵计算并裁减。
A2：将预处理后的微表情图像以及微表情图像面部单元标签类别分为训练集和验证集，本实施例中，训练集与测试集比例为7：3，并对数据进行批处理归一化操作。
A3：利用训练集训练基于注意力机制的双路径卷积神经网络，得到所述微表情图像分类模型，所述微表情图像分类模型输出微表情面部单元图像分类结果；
本实施例中，基于注意力机制的双路径卷积神经网络包含注意力机制与双路径卷积神经网络。
注意力机制采用CoordinateAttention机制，见图2，其总体函数为：
其中，xc为Coordinate Attention输入，
和
为CA注意力机制经过信息嵌入和注意力生成后分别沿水平垂直方向的输出，yc为模块整体输出。
双路径卷积神经网络由密集网络与残差网络构成，见图3，双路径卷积神经网络可以总结为：
其中，Di-1为第i-1个块DenseNet网络生成的特征作为第i个块的输入，Ri-1为第i-1个块ResNet网络生成的特征也作为第i个块的输入，Bi-1为输入特征经过Bottleneck后生成的特征，Si()为经过通道分裂后进入DenseNet部分的函数，Si()′为经过通道分裂后进入ResNet部分的函数，Di为第i层DenseNet网络生成的新特征，Ri为第i层ResNet网络生成的新特征。
基于注意力机制DPN-CA特征提取过程可以总结为：
Y＝G(F(X))+X
其中，X是每个块输入特征向量，F表示Bottleneck层对特征提取过程，G表示CA注意力机制对特征提取过程，+X表示残差网络跳跃连接过程，Y表示每个块输出特征向量。
确定注意力机制的双路径卷积神经网络分类模型参数，包括：激活函数为ReLU；学习率为0.1，每十轮训练降低至原来的10％；批处理归一化为Batch Normalizarion，优化器为Adam；损失函数为交叉熵损失Cross-entropy；分类函数为Sigmoid。
优选的，微表情图像分类模型的构建方法还包括：
A4：将验证集输入训练好的所述微表情图像分类模型，输出验证集对应的微表情面部单元图像分类结果；
将验证集对应的微表情面部单元图像分类结果与期望输出的微表情面部单元图像分类结果进行比对，若比对后的正确率小于预设正确率，则用训练集继续训练基于注意力机制的双路径卷积神经网络，直到比对后的正确率不小于预设正确率。本实例预设正确率为60％，正确率曲线见图4。
一种微表情图像精细化分类装置，包括：
获取模块，用于获取待分类微表情图像；
输出模块，用于将所述待分类微表情图像输入预先构建的微表情图像分类模型，输出微表情图像面部单元分类结果。
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种微表情图像精细化分类方法的操作。
本发明在一个实施例中，一种微表情图像精细化分类方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种微表情图像精细化分类方法，其特征在于，包括：
获取待分类微表情图像；
将所述待分类微表情图像输入预先构建的微表情图像分类模型，输出微表情图像面部单元分类结果。
2.根据权利要求1所述的一种微表情图像精细化分类方法，其特征在于，所述微表情图像分类模型的构建方法为：
获取微表情图像以及微表情图像面部单元标签类别，对所述微表情图像进行预处理；
将预处理后的微表情图像以及微表情图像面部单元标签类别分为训练集和验证集；
利用训练集训练基于注意力机制的双路径卷积神经网络，得到所述微表情图像分类模型，所述微表情图像分类模型输出微表情面部单元图像分类结果。
3.根据权利要求2所述的一种微表情图像精细化分类方法，其特征在于，所述微表情图像分类模型构建时，以CASME、CASME2和CAS(ME)^2数据集作为原始数据集，进行面部单元编码。
4.根据权利要求2所述的一种微表情图像精细化分类方法，其特征在于，所述对所述微表情图像进行预处理，具体包括：
对微表情图像进行人脸检测与人脸对齐，人脸检测采用基于Pytorch实现MTCNN网络，获取人脸定位点Landmark；MTCNN网络由三个级联网络P-Net、R-Net和O-Net组成，采用候选框加分类器输出人脸的五个关键点坐标；
根据MTCNN网络输出的人脸的五个关键点坐标，采用仿射矩阵将人脸关键点进行对齐，并进行人脸归一化处理，输出处理后的微表情图像；
对处理后的微表情图像进行人脸裁剪，去除与人脸不相关的信息，得到最终的微表情图像。
5.根据权利要求2所述的一种微表情图像精细化分类方法，其特征在于，所述注意力机制的双路径卷积神经网络中，注意力机制采用Coordinate Attention机制，双路径卷积神经网络由密集网络与残差网络构成。
6.根据权利要求2所述的一种微表情图像精细化分类方法，其特征在于，所述微表情图像分类模型的构建方法还包括：
将验证集输入训练好的所述微表情图像分类模型，输出验证集对应的微表情面部单元图像分类结果；
将验证集对应的微表情面部单元图像分类结果与期望输出的微表情面部单元图像分类结果进行比对，若比对后的正确率小于预设正确率，则用训练集继续训练基于注意力机制的双路径卷积神经网络，直到比对后的正确率不小于预设正确率。
7.一种微表情图像精细化分类装置，其特征在于，包括：
获取模块，用于获取待分类微表情图像；
输出模块，用于将所述待分类微表情图像输入预先构建的微表情图像分类模型，输出微表情图像面部单元分类结果。
8.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种微表情图像精细化分类方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项的一种微表情图像精细化分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110851690.1A CN113505746A (zh) | 2021-07-27 | 2021-07-27 | 微表情图像精细化分类方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110851690.1A CN113505746A (zh) | 2021-07-27 | 2021-07-27 | 微表情图像精细化分类方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113505746A true CN113505746A (zh) | 2021-10-15 |
Family
ID=78014226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110851690.1A Pending CN113505746A (zh) | 2021-07-27 | 2021-07-27 | 微表情图像精细化分类方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505746A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840485A (zh) * | 2019-01-23 | 2019-06-04 | 科大讯飞股份有限公司 | 一种微表情特征提取方法、装置、设备及可读存储介质 |
| CN111274895A (zh) * | 2020-01-15 | 2020-06-12 | 新疆大学 | 基于空洞卷积的cnn微表情识别方法 |
| CN111460923A (zh) * | 2020-03-16 | 2020-07-28 | 平安科技（深圳）有限公司 | 微表情识别方法、装置、设备和存储介质 |
| CN112232116A (zh) * | 2020-09-08 | 2021-01-15 | 深圳微步信息股份有限公司 | 一种人脸表情识别方法、装置及存储介质 |
| WO2021027553A1 (zh) * | 2019-08-15 | 2021-02-18 | 深圳壹账通智能科技有限公司 | 微表情分类模型生成、图像识别方法、装置、设备及介质 |
| CN112686232A (zh) * | 2021-03-18 | 2021-04-20 | 平安科技（深圳）有限公司 | 基于微表情识别的教学评价方法、装置、电子设备及介质 |
-
2021
- 2021-07-27 CN CN202110851690.1A patent/CN113505746A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840485A (zh) * | 2019-01-23 | 2019-06-04 | 科大讯飞股份有限公司 | 一种微表情特征提取方法、装置、设备及可读存储介质 |
| WO2021027553A1 (zh) * | 2019-08-15 | 2021-02-18 | 深圳壹账通智能科技有限公司 | 微表情分类模型生成、图像识别方法、装置、设备及介质 |
| CN111274895A (zh) * | 2020-01-15 | 2020-06-12 | 新疆大学 | 基于空洞卷积的cnn微表情识别方法 |
| CN111460923A (zh) * | 2020-03-16 | 2020-07-28 | 平安科技（深圳）有限公司 | 微表情识别方法、装置、设备和存储介质 |
| CN112232116A (zh) * | 2020-09-08 | 2021-01-15 | 深圳微步信息股份有限公司 | 一种人脸表情识别方法、装置及存储介质 |
| CN112686232A (zh) * | 2021-03-18 | 2021-04-20 | 平安科技（深圳）有限公司 | 基于微表情识别的教学评价方法、装置、电子设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| QIBIN HOU ET AL: "Coordinate Attention for Efficient Mobile Network Design", 《ARXIV》 * |
| 牛瑞华 等: "基于双通道注意力机制的微表情识别方法", 《计算机应用》 * |
| 王晓华 等: "基于层级注意力模型的视频序列表情识别", 《计算机辅助设计与图形学学报》 * |
| 言有三: "《深度学习之人脸图像处理 核心算法与案例实战》", 31 July 2020, 北京：机械工业出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112052787B (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
| CN107609525B (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
| CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
| CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
| US10002290B2 (en) | Learning device and learning method for object detection | |
| KR20200022739A (ko) | 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치 | |
| CN110633745A (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
| CN110276248B (zh) | 一种基于样本权值分配和深度学习的人脸表情识别方法 | |
| CN106778852A (zh) | 一种修正误判的图像内容识别方法 | |
| CN106372624B (zh) | 人脸识别方法及系统 | |
| CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
| CN108595558B (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
| CN109919252A (zh) | 利用少数标注图像生成分类器的方法 | |
| CN112418320B (zh) | 一种企业关联关系识别方法、装置及存储介质 | |
| CN112749737A (zh) | 图像分类方法及装置、电子设备、存储介质 | |
| CN113870254B (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
| CN111401343A (zh) | 识别图像中人的属性的方法、识别模型的训练方法和装置 | |
| CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
| CN113870863A (zh) | 声纹识别方法及装置、存储介质及电子设备 | |
| CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
| CN115713669A (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
| CN113505746A (zh) | 微表情图像精细化分类方法、装置、设备及可读存储介质 | |
| CN112541469B (zh) | 基于自适应分类的人群计数方法及系统 | |
| CN115131291A (zh) | 对象计数模型的训练方法、装置、设备以及存储介质 | |
| CN115130536A (zh) | 特征提取模型的训练方法、数据处理方法、装置及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211015 |