首頁 > 期刊 > 自然科學與工程技術 > 基礎科學 > 基礎科學綜合 > 中國科學技術大學學報 > 基于深度學習與DenseSIFT融合的人臉表情識別 【正文】
基于深度學習與DenseSIFT融合的人臉表情識別
彭玉青; 王緯華; 劉璇; 趙曉松; 魏銘 河北工業大學計算機科學與軟件學院; 天津300400
- 混合模型
- mobilenet
- 深度可分離
- 多尺度卷積
- densesift
摘要：為了準確高效地實現人臉表情識別.提出將一種將卷積神經網絡與Dense SIFT特征進行融合的混合模型,該混合模型所用的網絡結構是在深度可分離的卷積神經網絡MobileNet的思想上加以改進.在通道卷積(深度卷積)與空間卷積(點卷積)分離的基礎上,將MobileNet結構的點卷積部分使用多尺度卷積核,保證了提取特征的豐富細微性,更加適用于人臉表情特征提取;同時引入DenseNet結構的思想,提升了網絡的性能.利用Dense SIFT的128維描述子對特征描述較豐富的優勢。將其與改進的MobileNet網絡在全連接層進行融合,采用Eltwise層在全連接層元素之間做比較并取最大值,以保證特征的多樣性,且更具代表性.在FER2013和JAFFE人臉表情數據集上運用該混合模型,識別率可以達到73.2%和96.5%.
- 混合模型
- mobilenet
- 深度可分離
- 多尺度卷積
- densesift
摘要：為了準確高效地實現人臉表情識別.提出將一種將卷積神經網絡與Dense SIFT特征進行融合的混合模型,該混合模型所用的網絡結構是在深度可分離的卷積神經網絡MobileNet的思想上加以改進.在通道卷積(深度卷積)與空間卷積(點卷積)分離的基礎上,將MobileNet結構的點卷積部分使用多尺度卷積核,保證了提取特征的豐富細微性,更加適用于人臉表情特征提取;同時引入DenseNet結構的思想,提升了網絡的性能.利用Dense SIFT的128維描述子對特征描述較豐富的優勢。將其與改進的MobileNet網絡在全連接層進行融合,采用Eltwise層在全連接層元素之間做比較并取最大值,以保證特征的多樣性,且更具代表性.在FER2013和JAFFE人臉表情數據集上運用該混合模型,識別率可以達到73.2%和96.5%.
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
