10.19678/j.issn.1000-3428.0059771
结合迁移学习与可分离三维卷积的微表情识别方法
针对现有微表情自动识别方法准确率较低及微表情样本数量不足的问题,提出一种融合迁移学习技术与可分离三维卷积神经网络(S3D CNN)的微表情识别方法.通过光流法提取宏表情和微表情视频样本的光流特征帧序列,利用宏表情样本的光流特征帧序列对S3D CNN进行预训练,并采用微表情样本的光流特征帧序列微调模型参数.S3D CNN网络由二维空域卷积层及添加一维时域卷积层的可分离三维卷积层构成,比传统的三维卷积神经网络具有更好的学习能力,且减少了模型所需的训练参数和计算量.在此基础上,采用迁移学习的方式对模型进行训练,以缓解微表情样本数量过少造成的模型过拟合问题,提升模型的学习效率.实验结果表明,所提方法在CASMEⅡ微表情数据集上的识别准确率为67.58%,高于MagGA、C3DEvol等前沿的微表情识别算法.
微表情识别;深度学习;卷积神经网络;迁移学习;光流法
48
TP391.41(计算技术、计算机技术)
国家自然科学基金61763002
2022-01-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
228-235