持续学习改进的人脸表情识别
目的 大量标注数据和深度学习方法极大地提升了图像识别性能.然而,表情识别的标注数据缺乏,训练出的深度模型极易过拟合,研究表明使用人脸识别的预训练网络可以缓解这一问题.但是预训练的人脸网络可能会保留大量身份信息,不利于表情识别.本文探究如何有效利用人脸识别的预训练网络来提升表情识别的性能.方法 本文引入持续学习的思想,利用人脸识别和表情识别之间的联系来指导表情识别.方法 指出网络中对人脸识别整体损失函数的下降贡献最大的参数与捕获人脸公共特征相关,对表情识别来说为重要参数,能够帮助感知面部特征.该方法由两个阶段组成:首先训练一个人脸识别网络,同时计算并记录网络中每个参数的重要性;然后利用预训练的模型进行表情识别的训练,同时通过限制重要参数的变化来保留模型对于面部特征的强大感知能力,另外非重要参数能够以较大的幅度变化,从而学习更多表情特有的信息.这种方法称之为参数重要性正则.结果 该方法在RAF-DB(real-world affective faces database),CK+ (the extended Cohn-Kanade database)和Oulu-CASIA这3个数据集上进行了实验评估.在主流数据集RAF-DB上,该方法达到了88.04%的精度,相比于直接用预训练网络微调的方法提升了1.83%.其他数据集的实验结果也表明了该方法的有效性.结论 提出的参数重要性正则,通过利用人脸识别和表情识别之间的联系,充分发挥人脸识别预训练模型的作用,使得表情识别模型更加鲁棒.
深度学习、表情识别(FER)、人脸识别(FR)、预训练网络、持续学习、参数重要性正则
25
TP391.4(计算技术、计算机技术)
国家自然科学基金项目;国家重点研发计划项目
2020-12-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
2361-2369