摘要
人脸表情识别中,利用深度网络进行训练时,往往需要大量的训练数据而且实际应用中常常缺少标签数据,域适应人脸表情迁移学习是一个重要的研究课题。现有基于域适应的人脸表情识别大多采用浅层网络、深度学习网络方法,因此提出了将条件对抗域适应方法应用于人脸表情迁移学习,以及应用熵函数保证分类器预测的不确定人脸表情图像的可迁移性,并通过嵌入注意力机制模型来改进深度学习网络对人脸表情图像的特征提取。实验表明,通过注意力机制模型改进的条件生成对抗网络能有效地提高实验室控制和现实生活中的人脸表情数据识别的准确率。
Cross-domain facial expression recognition remains to be a challenging topic,due to lacking of sufficient labeled training data in practical applications.This paper exploited conditional adversarial domain adaptation to deal with the inconsistent data distributions of the cross-domain facial expressions,where it embedded an attention mechanism to extract discriminative features of facial expression images.In particular,it applied entropy function to guarantee the mobility of unpredictable facial expressions of images by priority of classification.Experimental results on both lab-controlled and real-world facial expression databases show that the effectiveness of the proposed approach for facial expression recognition.
作者
赖阳文
杨振国
王勇
刘文印
Lai Yangwen;Yang Zhenguo;Wang Yong;Liu Wenyin(School of Computer Science,Guangdong University of Technology,Guangzhou 510006,China)
出处
《计算机应用研究》
CSCD
北大核心
2021年第2期595-599,共5页
Application Research of Computers
基金
国家自然科学基金资助项目(61703109,91748107)
广东省引进创新科研团队计划资助项目(2014ZT05G157)。
关键词
条件生成对抗域适应网络
注意力机制模型
熵函数
人脸表情识别
conditional adversarial domain adaptation
attention mechanism
entropy function
facial expression recognition
