情緒識(shí)別是機(jī)器感知人類、培養(yǎng)情商的重要方法,在計(jì)算機(jī)視覺(jué)領(lǐng)域也是一個(gè)熱門(mén)的研究方向。在人工智能高速發(fā)展的今天,實(shí)現(xiàn)人工智能的最終目標(biāo),是讓機(jī)器可以模擬出和人類相類似的的意識(shí)和思維,可以像人類一樣智能化的做出反應(yīng)。這就要求機(jī)器不僅擁有人類的智商,也要擁有人類的情商。情緒識(shí)別是機(jī)器感知人類、培養(yǎng)情商的重要方法,目前,人工智能情緒識(shí)別離開(kāi)人類的干預(yù),對(duì)復(fù)雜的情感的理解和表達(dá)能力,依然面臨著困境。人類的情感狀態(tài)極其豐富,對(duì)于機(jī)器而言,它需要理解各種情緒對(duì)應(yīng)的各種信號(hào),才能真正的讀懂情緒。事實(shí)上,人類的表情與動(dòng)作往往攜帶著比語(yǔ)言更為豐富的情感信息,因此,在計(jì)算機(jī)視覺(jué)領(lǐng)域,情緒識(shí)別是一個(gè)重點(diǎn)研究課題。在該領(lǐng)域,大多數(shù)識(shí)別人類情緒的方法是在分析面部表情的背景下進(jìn)行的,而現(xiàn)實(shí)生活中人們往往喜歡掩飾自己的真實(shí)情緒,但肢體語(yǔ)言卻很難掩飾,能傳達(dá)出更為細(xì)致、真實(shí)的情緒狀態(tài)。本文,針對(duì)以往情緒識(shí)別集中在人臉,我們提出從人臉、姿態(tài)、語(yǔ)境三方面獲取更全面的信息。利用深度學(xué)習(xí)的方法,設(shè)計(jì)出更加輕量化的網(wǎng)絡(luò)結(jié)構(gòu)DenseXception,降低參數(shù)量,節(jié)省計(jì)算資源。不僅有應(yīng)用上的創(chuàng)新,還有算法上的提升。并且對(duì)Emoti... 

【文章來(lái)源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院)廣東省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖片示例

第2章情緒識(shí)別方法概述圖2.2卷積示意圖圖2.3最大池化過(guò)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(shù)（層數(shù)）。卷積過(guò)程如圖2.2所示：示例中卷積核為2×2、步長(zhǎng)為2、無(wú)填充的二維卷積。卷積運(yùn)算有三個(gè)主要好處：1.獲取圖像的局部相關(guān)性，可以學(xué)習(xí)同一張?zhí)卣鲌D相鄰像素之間的相關(guān)性；3.同一物體不同位置的平移不變性；2.在同一個(gè)特征圖中權(quán)值共享，這樣大大削減了需學(xué)習(xí)的參數(shù)的數(shù)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(shù)據(jù)量過(guò)于龐大。池化操作就是用于減少特征圖的空間大小和網(wǎng)絡(luò)的計(jì)算成本，而且使網(wǎng)絡(luò)不容易過(guò)擬合，可以降低計(jì)算復(fù)雜度，有利于增強(qiáng)神經(jīng)網(wǎng)絡(luò)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(duì)指定區(qū)域像素值取平均值，也就等同于說(shuō)輸入圖像的像素在不同方向上產(chǎn)生小的位移，經(jīng)過(guò)池化操作后，網(wǎng)絡(luò)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(gè)22的窗口，在其內(nèi)選出最大值更新進(jìn)新的特征圖，同樣向右依據(jù)步長(zhǎng)滑動(dòng)窗口。具體操作如圖2.3。全連接層通常是在網(wǎng)絡(luò)的最后一層，以確保上層的每一個(gè)神經(jīng)元與下一層的每個(gè)節(jié)點(diǎn)都有連接，使二維特征映射轉(zhuǎn)換為一維特征映射，進(jìn)行進(jìn)一步的特征表示和分類。也就是說(shuō)，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(shù)損失函數(shù)（Lossfunction）用來(lái)評(píng)估模型的預(yù)測(cè)值與真實(shí)值之間的差距程度。一個(gè)模型的損失函數(shù)的值越小，就代表該網(wǎng)絡(luò)模型的魯棒性越好。常見(jiàn)的損失函數(shù)如下。11

第2章情緒識(shí)別方法概述圖2.2卷積示意圖圖2.3最大池化過(guò)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(shù)（層數(shù)）。卷積過(guò)程如圖2.2所示：示例中卷積核為2×2、步長(zhǎng)為2、無(wú)填充的二維卷積。卷積運(yùn)算有三個(gè)主要好處：1.獲取圖像的局部相關(guān)性，可以學(xué)習(xí)同一張?zhí)卣鲌D相鄰像素之間的相關(guān)性；3.同一物體不同位置的平移不變性；2.在同一個(gè)特征圖中權(quán)值共享，這樣大大削減了需學(xué)習(xí)的參數(shù)的數(shù)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(shù)據(jù)量過(guò)于龐大。池化操作就是用于減少特征圖的空間大小和網(wǎng)絡(luò)的計(jì)算成本，而且使網(wǎng)絡(luò)不容易過(guò)擬合，可以降低計(jì)算復(fù)雜度，有利于增強(qiáng)神經(jīng)網(wǎng)絡(luò)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(duì)指定區(qū)域像素值取平均值，也就等同于說(shuō)輸入圖像的像素在不同方向上產(chǎn)生小的位移，經(jīng)過(guò)池化操作后，網(wǎng)絡(luò)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(gè)22的窗口，在其內(nèi)選出最大值更新進(jìn)新的特征圖，同樣向右依據(jù)步長(zhǎng)滑動(dòng)窗口。具體操作如圖2.3。全連接層通常是在網(wǎng)絡(luò)的最后一層，以確保上層的每一個(gè)神經(jīng)元與下一層的每個(gè)節(jié)點(diǎn)都有連接，使二維特征映射轉(zhuǎn)換為一維特征映射，進(jìn)行進(jìn)一步的特征表示和分類。也就是說(shuō)，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(shù)損失函數(shù)（Lossfunction）用來(lái)評(píng)估模型的預(yù)測(cè)值與真實(shí)值之間的差距程度。一個(gè)模型的損失函數(shù)的值越小，就代表該網(wǎng)絡(luò)模型的魯棒性越好。常見(jiàn)的損失函數(shù)如下。11

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

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的核素識(shí)別算法的研究[D]. 梁菲惜.成都理工大學(xué) 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(xué) 2019
[3]基于深度學(xué)習(xí)的行人重識(shí)別研究[D]. 孟根強(qiáng).西安電子科技大學(xué) 2019
[4]基于密集膠囊網(wǎng)絡(luò)的多視角人臉表情識(shí)別[D]. 韓雨.華中科技大學(xué) 2019



本文編號(hào)：3286358