深层网络特征聚合重标定的中国画情感分类算法

情景交融是中国画重要的艺术表现形式,分析并可视化其情感对帮助用户鉴赏和管理国画有重要意义.为此,提出深层网络特征聚合重标定的中国画情感分类算法.(1)依据中国画自身特点优化卷积神经网络,强化对情感贡献大的特征激活.首先,基于接缝裁剪技术重定向国画,在避免变形的同时保留画作笔墨信息;其次,构建多层聚合特征重标定网络模块,聚合模块内卷积层信息,重标定特征响应.(2)提出多类别加权激活定位的类判别映射技术,分别计算各类别相对于卷积层的梯度获得激活定位,并将其加权聚合以突出显示CNN检测到的情感区域,实现中国画情感元素可视化.在1 000幅中国画情感数据集上获得85.8%的准确率,相比其他算法,该算法有更高的分类准确度,能够准确定位中国画情感描绘区域.     

类别均衡与局部中值损失联合监督的自然场景人脸表情识别

近年来,卷积神经网络在实验室控制环境下的人脸表情识别任务中取得了很大进步,但是在自然场景中人脸表情识别方面仍然存在一些挑战.针对自然场景中人脸表情数据分布不平衡,以及由姿势、光照和性别等因素引起的类内差异大的问题,提出类别均衡与局部中值(class-balancedandlocalmedian,CALM)损失函数.CALM损失函数包含类别均衡Softmax损失函数和局部中值损失函数2个部分.其中,类别均衡Softmax损失函数将数据量较少且容易错分的害怕和厌恶2种表情标记为难样本,将其余5种表情标记为易样本;在网络训练过程中对难样本自适应地增大权重,以提高难样本的识别准确率,进而提高表情识别的平均准确率.此外,在每个类别中会有一些离类别内大多数样本较远的样本,它们的存在会导致用均值方法计算出的类别中心偏离类内大多数样本.在局部中值损失函数中,采用与每个样本属于同类别的若干近邻的中值作为类别中心,在一定程度上减弱离群样本对类别中心选择的影响.在RAF(real-worldaffectivefaces)数据集上进行实验,与局部子类方法相比,该方法的平均识别准确率提升了1.32%,证明了该方法的有效性.