基于卷积神经网络的人脸表情识别

传统的神经网络表情识别系统由特征提取和神经网络分类器组成,利用人的经验来获取模式特征,很容易丢失表征表情特征的细节信息。提出一种基于卷积神经网络的识别方法,避免了对图像进行复杂的特征提取,直接把图像数据作为输入。通过在Cohn-Kanade表情库上的实验结果表明,该方法能够取得很好的表情分类效果。     

基于改进卷积神经网络的多视角人脸表情识别

人脸表情识别是计算机视觉领域的研究热点之一。针对自然状态下的人脸存在多视角变化、脸部信息缺失等问题,提出了一种基于MVFE-LightNet（Multi-View Facial Expression Lightweight Network）的多视角人脸表情识别方法。首先,在残差网络的基础上设计卷积网络提取不同视角下的表情特征,引入深度可分离卷积来减少网络参数。其次,嵌入压缩和奖惩网络模块学习特征权重,利用特征重新标定方式提高网络表示能力,并通过加入空间金字塔池化增强网络的鲁棒性。最后,为了进一步优化识别结果,采用AdamW（Adam with Weight decay）优化方法使网络模型加速收敛。在RaFD、BU-3DFE和Fer2013表情库上的实验表明,该方法具有较高的识别率,且减少网络计算时间。     

人脸表情识别概述

人脸表情识别是智能化人机交互技术中的一个重要组成部分,现在是越来越受到重视。本文阐述了人脸表情识别的课题背景及其起源、发展与研究现状,并结合国内外相关领域的发展,从特征提取方面对目前表情识别的主流方法做了详细介绍,并提出了人脸表情识别中需要解决的问题。     

基于小尺度核卷积的人脸表情识别

针对现有表情识别方法中网络泛化能力差以及网络参数多导致计算量大的问题,提出一种利用小尺度核卷积的人脸表情识别方法.采用多层小尺度核卷积块代替大卷积核减少参数量,结合最大池化层提取面部表情图像特征,利用Softmax分类器对不同表情进行分类,并在相同感受野下增加网络深度避免特征丢失.实验结果表明,与FER2013 rec...     

人脸表情识别研究进展

人脸表情识别(Facial Expression Recognition,FER)是计算机视觉、机器学习、人工智能等领域的重要研究方向,目前已经成为国内外学者的研究热点。介绍了FER系统流程,总结了表情特征提取和表情分类的常用方法以及近年来国内外学者对这些方法的改进,并对这些方法的优缺点进行比较。最后,对目前FER研究的难点问题进行了分析,并对FER未来的发展方向进行展望。     

轻量级网络在人脸表情识别上的新进展

作为人工智能领域的热门研究方向,人脸表情识别（facial expression recognition,FER）是让计算机获取人类感情最直接最有效的方式,在人机交互、智慧医疗、疲劳驾驶等研发课题中占据关键的技术地位。为了满足高识别率的应用需求,FER深度学习网络结构愈发复杂,占用了大量的计算资源和存储空间,严重影响了算法实时性的要求。围绕如何在有效提升模型运算速度的同时,保障模型的精度这一问题展开综述。首先,介绍了利用轻量级网络实现表情识别的重要数据集;其次,对用于人脸表情识别的经典轻量级网络模型进行了分析;再次,阐述了主要的网络轻量化方法的原理、特点及适用场景;最后,总结了轻量级网络在人脸表情识别研究中存在的问题和挑战,对未来的研究方向进行展望。     

人脸表情识别研究的新进展

人脸表情识别（facial expression recognition,简称FER）作为智能化人机交互技术中的一个重要组成部分,近年来得到了广泛的关注,涌现出许多新方法.本文综述了国内外近4年人脸表情识别（FER）技术的最新发展.首先,介绍了FER系统的组成：人脸检测、表情特征提取和表情分类,并详细叙述了其中表情特征提取和表情分类的方法.然后,对目前广泛应用的人脸表情数据库进行了介绍,并在此基础上对当前一些FER系统的性能进行了比较分析.最后,对FER领域的研究现状和挑战给予了评述,对FER可能的发展方向进行了讨论.     

基于分类器联合的表情识别

提出了一种基于分类器联合的人脸表情识别方法。首先采用CKFD算法在双决策子空间中提取两类表情特征并融合;分别利用最近邻、最小距离和神经网络三种子分类器进行识别;最后运用模糊积分对子分类器的识别结果进行融合。基于JAFFE的实验结果表明,它是一种有效的表情识别方法。     

基于深度残差网络的人脸表情识别

针对深度卷积神经网络随着卷积层数增加而导致网络模型难以训练和性能退化等问题,提出了一种基于深度残差网络的人脸表情识别方法。该方法利用残差学习单元来改善深度卷积神经网络模型训练寻优的过程,减少模型收敛的时间开销。此外,为了提高网络模型的泛化能力,从KDEF和CK+两种表情数据集上选取表情图像样本组成混合数据集用以训练网络。在混合数据集上采用十折（10-fold）交叉验证方法进行了实验,比较了不同深度的带有残差学习单元的残差网络与不带残差学习单元的常规卷积神经网络的表情识别准确率。当采用74层的深度残差网络时,可以获得90.79%的平均识别准确率。实验结果表明采用残差学习单元构建的深度残差网络可以解决网络深度和模型收敛性之间的矛盾,并能提升表情识别的准确率。     

基于卷积神经网络的表情识别

在传统静态表情识别研究基础上,提出一种简单的人脸裁剪方法,再用浅层卷积神经网络进一步提取特征并进行表情识别。以CK+和JAFFE为实验数据集,进行预处理效果对比实验、数据增强实验、单种表情识别实验和跨数据集六分类实验。结果表明,针对数据量较少的情况,提出的表情识别方法效果明显且鲁棒性更优。     

基于深度可分离卷积结构的人脸表情识别研究

人脸表情识别是计算机视觉领域中人脸识别的一个重要分支。由于人脸表情多样性,头部姿态变化以及表情主 体所处环境等诸多因素的影响,给人脸表情识别的工作带来了很大的挑战。针对采用传统卷积神经网络,由于其模型参数数 量多,且比传统机器学习算法的人脸表情识别精度的提高有限,给出了一种基于深度可分离卷积结构的改进卷积神经网络模 型。基于该模型对Fer2013灰度表情识别数据集进行实验,结果表明,在保证了68.31% 的较高准确率情况下,与传统卷积神经 网络相比,模型的网络结构得到了优化,模型参数数量大大减少,且模型参数的利用效率较高。     

人脸表情识别的研究进展

人脸表情识别是人机交互、机器学习、智能控制和图像处理等领域涉及的重要研究方向,目前已成为国内外研究的热点。从人脸表情识别的特征提取和特征分类两方面出发,总结了国内外近几年人脸表情识别的进展状况。在特征提取阶段,根据所处理的图像的属性,分别从静态图像和动态图像两个方面总结人脸表情的特征提取算法,前者包括整体法和局部法,后者分为模型法、光流法和几何法。在分类器的设计上,以贝叶斯网络和距离度量两条理论主线,贯穿主要的方法。最后结合国内外最新的研究成果和应用领域,展望了人脸表情识别的发展。     

基于高效通道注意力网络的人脸表情识别

为了解决现有的人脸表情识别特征提取易受背景及个体因素影响,类内差距大,类间相似度高及实时性较差等问题,提出了一种高效通道注意力网络的轻量级表情识别方法.基于深度可分离卷积改进线性瓶颈结构减少网络复杂性和防止过拟合;通过设计高效注意力模块将特征图的深度与空间信息结合,更着重于重要特征提取,并采用联合损失函数减少相同表情的...     

融合注意力机制改进ResNet的人脸表情识别

鉴于现有人脸表情识别方法在表情识别过程中存在的诸多痛点,比如对有效特征提取不够、泛化能力不强、识别准确性不高等,提出了一种改进残差网络的人脸表情识别方法。首先,引入卷积注意力机制,对网络中间的特征图进行重构,强调重要特征,抑制一般特征;其次,使用激活函数PReLU替换ResNet中原有的ReLU,在提高模型拟合复杂数据能力的同时,避免出现在负值区域的梯度永远为0,进而导致模型训练时无法执行反向传播的问题;然后,在网络输出层的avgpool与fc之间加入Dropout抑制过拟合,以进一步增加网络模型的鲁棒性与泛化性;最后,在公开数据集CK+上的仿真实验结果表明,该方法的准确识别率达到96.12%。与现有多种经典算法,以及baseline算法即ResNet101相比,改进的网络模型具有更好的识别效果,证明了该方法的有效性与优异性。     

基于正反残差块的人脸表情识别算法

针对传统人脸表情识别算法鲁棒性低,传统表情识别特别依赖人工设计的特征,提出一种改进的人脸表情识别算法。该算法在深度学习中的残差块与反残差块算法基础上,将两种算法融合,利用两种神经块结合起来的深度学习模型,同时配合数据增强、Dropout等技术。实验结果表明,经过优化的算法,在正确率上比原先有一定的提升,在训练稳定性上也有较好的表现,同时具有了更好的鲁棒性。     

基于域适应卷积神经网络的人脸表情识别

在利用卷积神经网络进行人脸表情识别时,可借助其他数据集进行辅助训练以应对缺少标记数据的情况,但源域数据库和目标域数据库之间的数据分布差异会影响分类正确率。为此,以AlexNet网络为原型构建基于域适应的卷积神经网络结构。通过引入包含注意力机制的SE模块进行特征重标定,同时利用域适应方法减小领域差异性。在人脸识别公开数据集上的实验结果表明,与AlexNet和GoingDeep等网络相比,该网络能够以较少的参数量获得较高的识别正确率。     

权重推断与标签平滑的轻量级人脸表情识别

针对轻量级网络在复杂环境下对面部表情的特征提取不够充分、模型参数存在冗余以及单标签数据集无法有效描述复杂情感倾向所带来的歧义表情等问题,提出了一种结合改进ShuffleNet与标签平滑学习的人脸表情识别方法。通过对原始网络的分析与剪裁,得到了改进后更紧凑的K5＿Light＿ShuffleNet,不仅优化了网络参数,还提高了模型的表征能力。为了增强模型对人脸表情图像局部细节特征的提取能力,抑制非表情特征,在模型中嵌入了设计的轻量化通道空间关键权重推断模块。通过标签平滑学习方法,在不引入额外信息的前提下,利用软标签分布监督网络的学习,以减少由于歧义表情对识别性能所带来的不利影响。实验结果表明,在公开的RAF-DB、AffectNet-7和AffectNet-8数据集上分别达到了86.91%、61.80%和58.75%的表情识别准确率,相较于目前其他人脸表情识别方法,其识别率有一定提高,同时模型参数量和计算量均保持在较低水平,利于其在实际中的应用。     

基于全局空间注意力的人脸表情识别

人脸表情识别是模式识别领域中一个重要的研究方向。传统的机器学习方法受限于需要手动提取特征,该方式会导致识别结果的泛化能力不足,且稳定性较差。针对该限制,设计了一种基于深度学习的人脸表情识别算法,该算法通过卷积神经网络提取特征,然后经过全局空间注意力模块对特征分配权重,增强并融合重要特征、抑制边缘特征,从而提升网络分类的准确性。通过在FER2013人脸表情数据集上的实验,验证了该算法的合理性与有效性,最高达到了1.014%的准确度提升。最后,将算法应用于真实场景下的人脸表情识别,同样能拥有较高的识别精度,验证了该算法在真实环境下的有效性。     

云计算环境下人脸表情智能识别改进技术研究

随着人脸识别技术的开发,对于如何提高人脸表情智能识别改进技术的研究也越来越多;如何提高人脸识别的准确度和完整度是当前发展的主要需要,而计算机云计算功能在人脸识别中的应用在一定程度上解决了此问题;通过改进细菌觅食算法,再将其应用到主要成分分析算法对图像基本特征进行提取分析;通过以上的算法输入计算机网络云储存当中,实现云计算技术在人脸识别中的应用;文章将通过对于算法部署函数的办法进行图片解析工作,并且利用智能人脸识别软件对图像进行抽丝、分类、匹配等工作进行功能状态进行测试;实验结果表明利用云计算技术通过连接网络云计算系统可以对目前的人脸识别以及分类做到更高的准确性和适应性。