结合SoftPool的VGG19与CapsNet相级联的表情识别模型研究

表情识别作为计算机视觉领域的研究热点,在情感识别、人机交互、智能安防等领域有着重要的应用.文章针对VGG19在训练人脸表情数据集时由于全连接层参数量过大而易过拟合的问题,利用胶囊网络CapsNet对VGG19的全连接层进行替换,以实现VGG19与CapsNet相级联,从而改善训练时过拟合的问题,同时使得级联后的模型在RAF-DB数据集上的精度提高了5.28％.针对VGG19特征提取网络的MaxPool易丢失人脸特征图信息的问题,利用SoftPool对MaxPool进行替换,从而在最大程度上保留了人脸的细粒度特征.实验结果表明,改进后的模型在RAF-DB数据集上取得了 84.21％的精度,在FER2013数据集上取得了 73.16％的精度,表情识别效果更优.     

一种基于CenterNet的多朝向建筑物检测方法

航拍图像中的建筑物分布往往是朝向多样的。基于传统卷积神经网络的目标检测算法多以水平锚框作为检测框,在检测多朝向分布的建筑物场景下准确率较低。为此本文提出一种基于CenterNet神经网络的目标检测算法,在CenterNet模型基础上添加角度预测分支,将朝向角度信息融入网络中。针对CenterNet模型在特征提取阶段提取到的建筑物角度特征较少问题,采用非对称卷积替代原先的3×3卷积,加强神经网络对于旋转目标角度信息的特征提取能力,并通过改进损失函数降低角度周期性问题对目标检测的影响。改进后的网络可以更加精准的检测出多朝向分布的建筑物。在本文构建的数据集上进行了实验测试,相同环境下网络改进前后建筑物整体检测准确率提升5.2%,其中10°～80°以及100°～170°范围内大朝向变化建筑物检测准确率提升了7.4%。0°～10°、80°～100°以及170°～180°范围内小朝向变化建筑物检测准确率提升了3.1%,有效提高了多朝向建筑物检测的准确度。