目前,大多數(shù)的人臉表情識(shí)別方法都是針對(duì)正面人臉進(jìn)行的,然而正面的人臉表情往往是一種比較理想化的情況。在現(xiàn)實(shí)生活中,采集設(shè)備可能從多個(gè)角度捕捉表情數(shù)據(jù)�，F(xiàn)有的多視角的人臉表情識(shí)別算法大多基于卷積神經(jīng)網(wǎng)絡(luò),這些模型在訓(xùn)練集中未包含的新視角下的泛化能力普遍較差。鑒于膠囊網(wǎng)絡(luò)可以建�？臻g層次關(guān)系的特性,在其基礎(chǔ)上提出了魯棒性更強(qiáng)的密集膠囊網(wǎng)絡(luò)DenCaps。DenCaps模型融合了密集網(wǎng)絡(luò)DenseNet中的Dense Block模塊和膠囊網(wǎng)絡(luò)中的膠囊模塊,Dense Block通過(guò)特征重用和旁路設(shè)置,可以學(xué)習(xí)到更加豐富的特征。模型中的膠囊單元采用向量替代標(biāo)量存儲(chǔ)實(shí)體特征,相比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò),能夠編碼姿勢(shì)、位置等參數(shù),在多視角的人臉識(shí)別中具有良好的表現(xiàn)。在FERA2017數(shù)據(jù)集上對(duì)DenCaps模型進(jìn)行了測(cè)試,并且和其它的最新的網(wǎng)絡(luò)模型進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,DenCaps模型在FERA2017上取得了53.9的F1值,高于其它的網(wǎng)絡(luò)模型。通過(guò)在DenCaps基礎(chǔ)上進(jìn)行了交叉姿勢(shì)實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明DenCaps可以在訓(xùn)練集中未包含的新視角下準(zhǔn)確地識(shí)別表情動(dòng)作單元。最后對(duì)DenCaps模型中的... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

AU示例

2 相關(guān)研究及本文工作分為三個(gè)部分，第一部分闡述卷積神經(jīng)網(wǎng)絡(luò)的局限性和局限性背后的介紹膠囊網(wǎng)絡(luò)的結(jié)構(gòu)，說(shuō)明膠囊網(wǎng)絡(luò)的原理和優(yōu)越性；第三部分分絡(luò)進(jìn)行多視角表情識(shí)別的可行性和必要性。神經(jīng)網(wǎng)絡(luò)的局限性和解釋N 的局限性 主要由卷積層組成，它主要用來(lái)提取圖像中的重要特征信息。淺層緣和顏色紋理等簡(jiǎn)單要素，而深層的網(wǎng)絡(luò)會(huì)將簡(jiǎn)單特征組合成更復(fù)最后的全連接層組合高層的特征并做出類別預(yù)測(cè)。熊貓

N 的局限性N 主要由卷積層組成，它主要用來(lái)提取圖像中的重要特征信息。淺層緣和顏色紋理等簡(jiǎn)單要素，而深層的網(wǎng)絡(luò)會(huì)將簡(jiǎn)單特征組合成更復(fù)最后的全連接層組合高層的特征并做出類別預(yù)測(cè)。熊貓不是熊貓...CNN圖 2-1 CNN 分類熊貓 2-1 所示為一個(gè)判斷輸入是否為熊貓的 CNN，中間的卷積層通過(guò)學(xué)習(xí)左眼、右眼等特征來(lái)做出判斷。當(dāng)檢測(cè)到符合熊貓的特定特征后，C其歸類為“熊貓”。熊貓

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)的局部方向模式人臉表情識(shí)別算法[J]. 羅元,余朝靖,張毅,劉浪.  重慶大學(xué)學(xué)報(bào). 2019(03)
[2]基于AAM-SIFT特征描述的兩級(jí)SVM人臉表情識(shí)別[J]. 黃忠,胡敏,劉娟.  計(jì)算機(jī)工程與應(yīng)用. 2016(03)



本文編號(hào)：3243362