情緒識別是機器感知人類、培養(yǎng)情商的重要方法,在計算機視覺領域也是一個熱門的研究方向。在人工智能高速發(fā)展的今天,實現人工智能的最終目標,是讓機器可以模擬出和人類相類似的的意識和思維,可以像人類一樣智能化的做出反應。這就要求機器不僅擁有人類的智商,也要擁有人類的情商。情緒識別是機器感知人類、培養(yǎng)情商的重要方法,目前,人工智能情緒識別離開人類的干預,對復雜的情感的理解和表達能力,依然面臨著困境。人類的情感狀態(tài)極其豐富,對于機器而言,它需要理解各種情緒對應的各種信號,才能真正的讀懂情緒。事實上,人類的表情與動作往往攜帶著比語言更為豐富的情感信息,因此,在計算機視覺領域,情緒識別是一個重點研究課題。在該領域,大多數識別人類情緒的方法是在分析面部表情的背景下進行的,而現實生活中人們往往喜歡掩飾自己的真實情緒,但肢體語言卻很難掩飾,能傳達出更為細致、真實的情緒狀態(tài)。本文,針對以往情緒識別集中在人臉,我們提出從人臉、姿態(tài)、語境三方面獲取更全面的信息。利用深度學習的方法,設計出更加輕量化的網絡結構DenseXception,降低參數量,節(jié)省計算資源。不僅有應用上的創(chuàng)新,還有算法上的提升。并且對Emoti... 

【文章來源】：中國科學院大學(中國科學院深圳先進技術研究院)廣東省

【文章頁數】：56 頁

【學位級別】：碩士

【部分圖文】：

圖片示例

第2章情緒識別方法概述圖2.2卷積示意圖圖2.3最大池化過程這樣可使輸出特征圖的尺寸與輸入特征圖的尺寸一致；4.通道（Channel）：卷積層的通道數（層數）。卷積過程如圖2.2所示：示例中卷積核為2×2、步長為2、無填充的二維卷積。卷積運算有三個主要好處：1.獲取圖像的局部相關性，可以學習同一張?zhí)卣鲌D相鄰像素之間的相關性；3.同一物體不同位置的平移不變性；2.在同一個特征圖中權值共享，這樣大大削減了需學習的參數的數量。池化層在卷積層之后，由于卷積操作之后，我們得到了一張張有著不同值的特征圖，由于數據量過于龐大。池化操作就是用于減少特征圖的空間大小和網絡的計算成本，而且使網絡不容易過擬合，可以降低計算復雜度，有利于增強神經網絡的魯棒性，并且。平均池（averagepooling）和最大池化（maxpooling）是平移不變性中最常用的兩種非線性下采樣策略。最大池化就是取最大值，平均池化就是對指定區(qū)域像素值取平均值，也就等同于說輸入圖像的像素在不同方向上產生小的位移，經過池化操作后，網絡提取到的特征保持不變。例如最大池化：選擇池化尺寸為22，選定一個22的窗口，在其內選出最大值更新進新的特征圖，同樣向右依據步長滑動窗口。具體操作如圖2.3。全連接層通常是在網絡的最后一層，以確保上層的每一個神經元與下一層的每個節(jié)點都有連接，使二維特征映射轉換為一維特征映射，進行進一步的特征表示和分類。也就是說，全連接層之前所以層的作用是提取特征，全連接層的作用是分類。2.4損失函數損失函數（Lossfunction）用來評估模型的預測值與真實值之間的差距程度。一個模型的損失函數的值越小，就代表該網絡模型的魯棒性越好。常見的損失函數如下。11

第2章情緒識別方法概述圖2.2卷積示意圖圖2.3最大池化過程這樣可使輸出特征圖的尺寸與輸入特征圖的尺寸一致；4.通道（Channel）：卷積層的通道數（層數）。卷積過程如圖2.2所示：示例中卷積核為2×2、步長為2、無填充的二維卷積。卷積運算有三個主要好處：1.獲取圖像的局部相關性，可以學習同一張?zhí)卣鲌D相鄰像素之間的相關性；3.同一物體不同位置的平移不變性；2.在同一個特征圖中權值共享，這樣大大削減了需學習的參數的數量。池化層在卷積層之后，由于卷積操作之后，我們得到了一張張有著不同值的特征圖，由于數據量過于龐大。池化操作就是用于減少特征圖的空間大小和網絡的計算成本，而且使網絡不容易過擬合，可以降低計算復雜度，有利于增強神經網絡的魯棒性，并且。平均池（averagepooling）和最大池化（maxpooling）是平移不變性中最常用的兩種非線性下采樣策略。最大池化就是取最大值，平均池化就是對指定區(qū)域像素值取平均值，也就等同于說輸入圖像的像素在不同方向上產生小的位移，經過池化操作后，網絡提取到的特征保持不變。例如最大池化：選擇池化尺寸為22，選定一個22的窗口，在其內選出最大值更新進新的特征圖，同樣向右依據步長滑動窗口。具體操作如圖2.3。全連接層通常是在網絡的最后一層，以確保上層的每一個神經元與下一層的每個節(jié)點都有連接，使二維特征映射轉換為一維特征映射，進行進一步的特征表示和分類。也就是說，全連接層之前所以層的作用是提取特征，全連接層的作用是分類。2.4損失函數損失函數（Lossfunction）用來評估模型的預測值與真實值之間的差距程度。一個模型的損失函數的值越小，就代表該網絡模型的魯棒性越好。常見的損失函數如下。11

【參考文獻】：
期刊論文
[1]深度學習研究綜述[J]. 張榮,李偉平,莫同.  信息與控制. 2018(04)
[2]情感識別綜述[J]. 潘瑩.  電腦知識與技術. 2018(08)

碩士論文
[1]基于卷積神經網絡的核素識別算法的研究[D]. 梁菲惜.成都理工大學 2019
[2]基于深度降噪自編碼的波形聚類方法研究[D]. 甘宇.成都理工大學 2019
[3]基于深度學習的行人重識別研究[D]. 孟根強.西安電子科技大學 2019
[4]基于密集膠囊網絡的多視角人臉表情識別[D]. 韓雨.華中科技大學 2019



本文編號：3286358