基于迁移学习的无监督跨域人脸表情识别

摘要：

本文主要研究了基于迁移学习的无监督跨域人脸表情识别.在过去的几年里,提出的许多方法在人脸表情识别方面取得了令人满意的识别效果.但这些方法通常认为训练和测试数据来自同一个数据集,因此其具有相同的分布.而在实际应用中,这一假设通常并不成立,特别当训练集和测试集来自不同的数据集时,即跨域人脸表情识别问题.为了解决这一问题,本文提出将一种基于联合分布对齐的迁移学习方法(domain align learning)应用于跨域人脸表情识别,该方法通过找到一个特征变换,将源域和目标域数据映射到一个公共子空间中,在该子空间中联合对齐边缘分布和条件分布来减小域之间的分布差异,然后对变换后的特征进行训练得到一个域适应分类器来预测目标域样本标签.为了验证提出算法的有效性,在CK+、Oulu-CASIA NIR和Oulu-CASIA VIS这3个不同的数据库上做了大量实验,实验结果证明所提算法在跨域表情识别上是有效性的.

关键词：表情识别;无监督;跨域;迁移学习;特征变换;联合对齐;公共子空间;域适应

所属期刊栏目：16

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目60035117

在线出版日期：2021-08-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：397-406