• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度可分離卷積的人臉表情識別

    2021-05-20 07:02:16李春虹
    計算機工程與設(shè)計 2021年5期
    關(guān)鍵詞:識別率人臉卷積

    李春虹,盧 宇

    (四川師范大學(xué) 計算機科學(xué)學(xué)院,四川 成都 610101)

    0 引 言

    近年來,深度學(xué)習在圖像處理等領(lǐng)域的發(fā)展,豐富了人臉表情識別研究,使人臉表情識別成為計算機視覺、模式識別領(lǐng)域的研究熱點[1,2]。但現(xiàn)有主流的人臉表情識別模型往往存在泛化能力不足、識別率不高等問題,其主要原因是:當數(shù)據(jù)集處于復(fù)雜環(huán)境下時,容易受到人臉的姿勢、遮擋及光照背景等與表情識別無關(guān)的非重要因素影響。為此,Wen等[3]提出利用人臉表情相關(guān)區(qū)域引導(dǎo)網(wǎng)絡(luò)學(xué)習表情特征,從而減少與表情無關(guān)的非相關(guān)因素影響,但該模型只能達到基準精度。Jung等[4]提出利用兩個淺層的基分類器分別提取圖像的不同特征信息,但只適用于少樣本數(shù)據(jù)集。Kim等[5]通過融合多個深度CNN的基分類結(jié)果進行指數(shù)加權(quán)決策融合來判定人臉表情類型。但是該方法復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和連接方式使得訓(xùn)練過程相當繁瑣。

    因此,本文研究一種即可以簡化網(wǎng)絡(luò)結(jié)構(gòu)又能夠較好地提高復(fù)雜環(huán)境下表情識別精度的方法,即基于深度可分離卷積的人臉表情識別(depthwise separable convolution-based facial expression recognition,DSC-FER)。首先,該方法結(jié)合相關(guān)全卷積神經(jīng)網(wǎng)絡(luò)理論,通過構(gòu)建人臉分割網(wǎng)絡(luò)提取出人臉表情中感興趣區(qū)域。其次,利用深度可分離卷積構(gòu)建VGG19和ResNet18基分類器,提取不同特征信息。最后,采用聯(lián)合微調(diào)方法融合基分類器進行人臉表情識別。實驗結(jié)果表明,與文獻[6-12]相比,該方法能有效地提高人臉表情識別算法的魯棒性和識別率。

    1 理論基礎(chǔ)

    1.1 卷積神經(jīng)網(wǎng)絡(luò)

    至AletNet網(wǎng)絡(luò)提出以來,隨著十幾年的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成功應(yīng)用于計算機視覺等相關(guān)任務(wù)中,它是有效提取深度圖像特征的深度學(xué)習模型,主要包含卷積層、池化層、激活函數(shù)、損失函數(shù)等[13]。卷積層是由若干卷積核組成,主要通過卷積操作實現(xiàn)局部特征響應(yīng),使用相同卷積核掃描整個圖像進行特征提取。卷積層進行卷積操作公式如下

    (1)

    式中:C(x,y)=Fk×l?Gu×n為卷積操作,F(xiàn)k×l是大小為k×l的卷積核,Gu×n是u×n的輸入矩陣,C是卷積后的輸出矩陣,?x∈[0,u),?y∈[0,n)。

    池化層是對特征進行聚合統(tǒng)計,目的是提高特征的表征能力、減少特征維度。一般常用池化層有:隨機池化、平均池化和最大池化。最大值池化取池化域中的最大特征值,最大池化公式如下

    (2)

    平均池化即取池化域中的特征均值,公式如下

    (3)

    式中:S(x,y)=Fs×tGu×n為最大池化操作,M(x,y)=Fs×tGu×n為平均池化操作,F(xiàn)s×t是大小為s×t的池化核,Gu×n是大小為u×n的輸入矩陣。

    激活函數(shù)定義請參見文獻[13]。其中,Softmax函數(shù)是將神經(jīng)元映射到(0,1)區(qū)間。Relu函數(shù)收斂速度比sigmoid函數(shù)和tanh函數(shù)快,是最簡單的激活函數(shù),解決了梯度消失問題,并使模型的收斂速度保持穩(wěn)定狀態(tài)。Relu函數(shù)公式如下

    F(x)=Max(0,x)

    (4)

    式中:F(x)為Relu激活函數(shù),當x<0時,F(xiàn)(x)=0; 當x∈[0,x],F(xiàn)(x)=x。

    損失函數(shù)定義請參見文獻[13],其中均方誤差損失函數(shù)公式如下

    (5)

    式中:y表示樣本真實標簽,y′表示樣本預(yù)測標簽,N表示樣本個數(shù)。

    1.2 模型融合

    模型融合是將多個基分類網(wǎng)絡(luò)解決同一任務(wù)的結(jié)果進行整合,以提高模型的泛化能力,目前已經(jīng)被廣泛地運用在機器學(xué)習的多個領(lǐng)域。模型融合關(guān)鍵的問題是考慮如何更好地融合基分類模型。常見的融合方式有投票法、加權(quán)求和、bagging、boosting、stacking等,其中最常用的是加權(quán)求和

    Yi=αpi+(1-α)qi, 0≤α≤1

    (6)

    式中:pi,qi分別是不同的基學(xué)習網(wǎng)絡(luò)輸出值,Yi是最終預(yù)測值,i=1,…c,c是類別總個數(shù),參數(shù)α是權(quán)值。加權(quán)求和的優(yōu)點是合適的參數(shù)α能夠提升模型的識別率和泛化能力,缺點是無法最大限度地利用兩種模型性能。因此,本文采用聯(lián)合微調(diào)方式進行融合,取得了比加權(quán)平均更好的效果。

    2 基于深度可分離卷積的人臉表情識別方法

    本文依托VGG19和ResNet18經(jīng)典模型,構(gòu)建了DSC-FER方法的流程如圖1所示,它主要分成預(yù)訓(xùn)練、表情識別模型兩部分,其中預(yù)訓(xùn)練包含RROI部分和基分類模型,表情識別模型中灰色框表示凍結(jié)訓(xùn)練好的網(wǎng)絡(luò)權(quán)重值。

    圖1 DSC-FER模型描述

    2.1 本文算法實現(xiàn)

    算法描述如下

    算法1: DSC-FER方法

    輸入: 數(shù)據(jù)集D=(X,Y) 以及參數(shù)Time、θ; //X為輸入圖像集合、Y為類別標簽集合、Time代表最大訓(xùn)練次數(shù)、θ表示損失函數(shù)收斂的一個閾值

    輸出: 人臉表情識別模Ω;

    步驟1 從已有數(shù)據(jù)集D1中劃分出訓(xùn)練集Ts1, 測試集Te1;

    步驟2 (1) Fori=1 To len(Ts1)

    根據(jù)Dlib提取面部標識, 裁剪相應(yīng)區(qū)域, 并生成mask實例;

    添加mask到MS集合中;

    End For

    (2)以Ts1為源數(shù)據(jù)、MS為源標簽訓(xùn)練RROI網(wǎng)絡(luò);

    步驟3 (1)利用訓(xùn)練好的RROI, 對數(shù)據(jù)集D提取ROI, 再劃分出訓(xùn)練集Ts, 測試集Te;

    (2) 隨機初始化基分類模型Ω1和Ω2的所有參數(shù); //VGG19為Ω1, ResNet18為Ω2

    (3)取出訓(xùn)練集Ts中所有實例Xa作為輸入, 分別輸入到Ω1和Ω2中, 計算的圖像特征;

    (4)記所有的預(yù)測標簽為y′, 真實標簽為y;

    (5)如式(11)所示, 采用交叉熵公式作為Ω1、 Ω2的損失函數(shù)Li;

    (6)利用梯度下降法反向傳播Li值, 調(diào)整Ω1、 Ω2中的參數(shù);

    (7)if(Time>0||Li>θ)

    Time=Time-1

    轉(zhuǎn)至(3), 繼續(xù)訓(xùn)練基分類網(wǎng)絡(luò)

    End if

    (8)輸出當前訓(xùn)練好的基分類網(wǎng)絡(luò)模型Ω1、 Ω2;

    步驟4 采用聯(lián)合微調(diào)方法, 如式(10)-式(12)所示, 融合基模型Ω1、 Ω2得到最終面部表情識別模型Ω;

    步驟5 輸出人臉表情識別模型Ω, 算法停止。

    上述DSC-FER算法的主要思想是:首先,利用實例生成mask分別做訓(xùn)練數(shù)據(jù)和標簽訓(xùn)練RROI網(wǎng)絡(luò)生成感興趣區(qū)域ROI(region of interest,ROI)數(shù)據(jù)集;其次,采用深度可分離卷積代替二維卷積分別訓(xùn)練出基分類網(wǎng)絡(luò)模型;最后,利用聯(lián)合微調(diào)方法融合基分類模型。

    2.2 預(yù)訓(xùn)練

    在開始訓(xùn)練表情識別模型之前,需要先對兩個基分類網(wǎng)絡(luò)模型進行預(yù)訓(xùn)練。先利用RROI網(wǎng)絡(luò)提取人臉表情感興趣區(qū)域,再利用pytorch深度學(xué)習框架和VGG19與Resnet18基分類網(wǎng)絡(luò)結(jié)構(gòu)(參照文獻[14]中圖3的結(jié)構(gòu))分別建立深度學(xué)習網(wǎng)絡(luò),其中兩個基分類網(wǎng)絡(luò)中的每層卷積均由深度可分離卷積代替并在其后均添加BN層和Relu層,目的是加快網(wǎng)絡(luò)的訓(xùn)練速度及避免梯度消失。最后,利用交叉熵損失函數(shù)分別計算出VGG19和Resnet18基分類網(wǎng)絡(luò)預(yù)測值與訓(xùn)練集真實標簽之間的誤差值,并將該值作為模型損失值回傳給對應(yīng)的基分類網(wǎng)絡(luò),利用梯度下降法反向傳播,更新網(wǎng)絡(luò)參數(shù)。

    2.2.1 RROI網(wǎng)絡(luò)

    RROI(recognition region of interest)是一個基于u-net[15]語義分割算法的人臉分割網(wǎng)絡(luò),其中u-net是個端到端的U型全卷積網(wǎng)絡(luò)結(jié)構(gòu),不同于傳統(tǒng)CNN,該網(wǎng)絡(luò)用卷積層代替全連接層,使結(jié)構(gòu)分為編碼器、解碼器兩部分。其中編碼器由3次下卷積層組成,其中一個下卷積層包括2個卷積層和1個最大池化層,主要用于提取深層次特征;解碼器包含3次反卷積層,其中一個反卷積層包括1個反卷積、1個連接操作和2個卷積層,主要用于對特征映射進行上采樣,其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 RROI網(wǎng)絡(luò)結(jié)構(gòu)

    RROI目的是提取出人臉圖像中與表情識別最相關(guān)的感興趣區(qū)域,使復(fù)雜環(huán)境因素對人臉表情分類影響降低、精簡網(wǎng)絡(luò)結(jié)構(gòu),提高識別精度。本文的做法是:首先,人臉檢測并提取現(xiàn)有的實例中的人臉特征點,根據(jù)68個特征點坐標構(gòu)成的凸包裁剪出ROI區(qū)域,將ROI區(qū)域處理成Mask圖像作為網(wǎng)絡(luò)的訓(xùn)練標簽,原始人臉圖像作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù);其次,利用編碼器提取出圖像的特征,再利用解碼器上采樣學(xué)習補充信息;最后,使用二維卷積將每個特征向量映射到所需數(shù)量的類。

    2.2.2 深度可分離卷積

    自2013年Sifre提出卷積層通道間相關(guān)性和空間相關(guān)性是可解耦合性的,深度可分離卷積已經(jīng)是很多高效神經(jīng)網(wǎng)絡(luò)框架實現(xiàn)模型輕量化的關(guān)鍵構(gòu)建塊,主要由深度卷積和逐點卷積兩部分組成。其中,深度卷積是對輸入的每個通道上單獨執(zhí)行通道卷積,將普通卷積在空間上分離;逐點卷積是應(yīng)用1×1卷積將深度卷積的特征圖譜映射成新特征。公式表示如下

    S(x,y)=P(Fp,D(Fd,G))

    (7)

    (8)

    (9)

    式中:D(x,y) 是深度卷積操作,P(x,y) 為逐點卷積操作,F(xiàn)p是大小為1×1的卷積核,F(xiàn)d是大小為k×l的卷積核,G是大小為u×n的輸入矩陣,m為通道數(shù)。

    與普通卷積相比,當在H×W×N的特征圖上使用卷積核大小為k×k、深度為d的標準卷積操作時,計算參數(shù)量為:H×W×N×k×k×d,而深度可分離卷積的計算參數(shù)量為:H×W×N×(k×k+d)。 由此可見,標準卷積的參數(shù)量是深度可分離卷積的k×k×d/(k×k+d) 倍。

    2.3 聯(lián)合微調(diào)

    本文采用聯(lián)合微調(diào)的方式代替加權(quán)求和整合基分類模型,如圖1中所示。首先,VGG19和Resnet18兩個基分類網(wǎng)絡(luò)使用相同訓(xùn)練數(shù)據(jù)集完成預(yù)訓(xùn)練階段;其次,在表情識別模型中重用預(yù)訓(xùn)練好的兩個基分類網(wǎng)絡(luò),并將兩個基分類網(wǎng)絡(luò)提取的特征重新構(gòu)建成特征ξ3;最后,特征ξ3輸入到both網(wǎng)絡(luò)進行再訓(xùn)練分類,其中both是由一個全連接層和softmax函數(shù)組成的網(wǎng)絡(luò),并使用dropout方法減少過擬合。

    在訓(xùn)練步驟中使用了3個損失函數(shù),并定義DSC-FER的損失函數(shù)LDSC-FER為

    LDSC-FER=λ1L1+λ2L2+λ3L3

    (10)

    式中:L1,L2,L3分別是VGG19,Resnet18,both的交叉熵損失函數(shù)值,λ1,λ2,λ3是平衡系數(shù),其值的大小決定了聯(lián)合微調(diào)方法對模型的影響程度,通常λ1=λ2, 0<λ3<λ1,λ2<1。 本文實驗中設(shè)置λ1,λ2,λ3分別為1,1,0.1。其中,交叉熵損失函數(shù)如下

    (11)

    式中:yj表示第j類的真實標簽,pj表示樣本y屬于j類的概率,N表示總樣本個數(shù),C表示樣本種類

    y=σ(ξ1⊕ξ2)

    (12)

    式中:y是both模型的輸出值,ξ1,ξ2分別是基分類網(wǎng)絡(luò)的特征,⊕是代表ξ1,ξ2特征串行連接,σ(x)是softmax函數(shù)。

    3 實驗及結(jié)果分析

    3.1 數(shù)據(jù)集

    為了驗證本文表情識別方法的有效性,采用FER-2013、CK+和JAFFE這3種經(jīng)典人臉表情識別數(shù)據(jù)集,三者均包含7個表情標簽(憤怒、厭惡、恐懼、快樂、悲傷、驚訝、中性)。其中,F(xiàn)ER-2013數(shù)據(jù)集是由35 886張采集于不同復(fù)雜環(huán)境因素下的人臉表情圖像。CK+數(shù)據(jù)集包含123個用戶的327個連續(xù)表情幀,由于連續(xù)幀之間相關(guān)性較強、數(shù)據(jù)冗余,因此本文選取每個表情峰值最高的最后3幀圖片,共981張表情圖像。JAFFE數(shù)據(jù)集提供了10名日本女生的7種不同表情,共214張表情圖像。

    3.2 數(shù)據(jù)增強

    在訓(xùn)練表情識別網(wǎng)絡(luò)之前,為了防止網(wǎng)絡(luò)過快地過擬合進行數(shù)據(jù)增強:在訓(xùn)練階段,將圖像隨機裁剪成44×44像素大小,并以0.5的概率隨機水平翻轉(zhuǎn)擴大數(shù)據(jù)集。

    3.3 評價準則

    為了說明本文所提出算法的有效性,實驗結(jié)果采用的評價準則為識別率。一般來說,模型的識別率越高表示識別效果越好。識別率公式如下所示

    (13)

    式中:定義數(shù)據(jù)集(X,Y),X,Y分別表示數(shù)據(jù)集的實例和標簽,Y′表示利用模型訓(xùn)練出來的預(yù)測標簽,|Y|為總標簽個數(shù)。當Yi=Y′i為真時,值為1,否則為0。

    3.4 RROI網(wǎng)絡(luò)實驗結(jié)果

    在RROI人臉ROI區(qū)域分割網(wǎng)絡(luò)實驗中,人臉圖像和Mask標簽均處理成48×48像素大小,再將mask像素值歸一化到[0,1]之間。在FER-2013數(shù)據(jù)集上達95.52%分割率,CK+數(shù)據(jù)集上達96.63%,并對比RROI網(wǎng)絡(luò)分割效果與人臉特征點裁剪人臉區(qū)域效果如圖3所示,其中圖3(a)為人臉原始圖像,圖3(b)為對應(yīng)生成的mask標簽,圖3(c)為根據(jù)特征點裁剪的結(jié)果圖,圖3(d)為經(jīng)過RROI網(wǎng)絡(luò)得到的結(jié)果圖,從圖得出RROI網(wǎng)絡(luò)具備與利用特征點裁剪人臉基本相同的分割效果。

    圖3 RROI效果

    3.5 與現(xiàn)有表情識別算法的對比實驗

    在訓(xùn)練基分類網(wǎng)絡(luò)時采用隨機化初始權(quán)重和偏值,批大小設(shè)置為128,初始化學(xué)習率為0.01。

    FER-2013數(shù)據(jù)集利用訓(xùn)練集來訓(xùn)練模型權(quán)重參數(shù),將公共測試集作為驗證集、將私有測試集作為最終測試集。然后,將DSC-FER方法在FER-2013數(shù)據(jù)集上的識別率與Liu、Guo、Yan和MSSD-KCF做實驗對比,實驗結(jié)果見表1。從表1中可知,DSC-FER方法的識別率達到了75.15%,比MSSD-KCF的識別率高出了2.15%,超過了其它網(wǎng)絡(luò)的識別率,并且比FER-2013數(shù)據(jù)集上的識別基準線(71.2%)高出了3.95%。將DSC-FER方法的識別率與本文預(yù)訓(xùn)練的兩個基分類網(wǎng)絡(luò),可得出經(jīng)過聯(lián)合微調(diào)后該方法比基分類網(wǎng)絡(luò)平均高2.11%。實驗結(jié)果表明了DSC-FER方法在人臉表情識別的有效性。

    表1 FER-2013數(shù)據(jù)集上不同識別方法準確率對比

    DSC-FER方法在FER-2013數(shù)據(jù)集上的識別結(jié)果混淆矩陣見表2。從表2可以看出,高興和驚訝識別率較高分別達92%、84%,而憤怒、恐懼、悲傷3種表情識別率相對較低,憤怒中有13%識別成悲傷、恐懼中14%識別成悲傷、悲傷中11%識別成恐懼,如圖4所示,可知這3種表情確實容易相互混淆。

    表2 FER-2013識別結(jié)果混淆矩陣

    圖4 混淆表情實例

    同樣,DSC-FER方法在CK+數(shù)據(jù)集上采用10折交叉驗證,并與DAGN、DTGN、MSCNN、WGAN和WMDNN不同模型的識別率做實驗對比,實驗結(jié)果見表3。從表3可以看出,DSC-FER方法的識別率達到了98.98%,比WMDNN的識別率高出了1.96%,且超過了其它網(wǎng)絡(luò)的識別率,將DSC-FER方法的識別率與本文預(yù)訓(xùn)練的兩個基分類網(wǎng)絡(luò),可得出經(jīng)過聯(lián)合微調(diào)后該方法比基分類網(wǎng)絡(luò)平均高4.63%。實驗結(jié)果表明了聯(lián)合微調(diào)方法的有效性。

    表3 CK+數(shù)據(jù)集上不同識別方法準確率對比

    DSC-FER方法在CK+數(shù)據(jù)集上的識別結(jié)果混淆矩陣見表4。從表4可以看出,該方法將驚訝表情中的4%識別為恐懼,因其數(shù)據(jù)集量較小且表情圖像噪聲較少,所以除驚訝表情外其它表情均能正確分類。

    表4 CK+識別結(jié)果混淆矩陣

    同樣,DSC-FER方法在JAFFE數(shù)據(jù)集上采用5折交叉驗證,并與DCMA-CNNs、ROI-KNN和WGAN的識別率做實驗對比,實驗結(jié)果見表5。從表5可以看出,DSC-

    表5 JAFFE數(shù)據(jù)集上不同識別方法準確率對比

    FER方法的識別率達到了97.14%,比WGAN的識別率高出了1.14%,與ROI-KNN的識別率只相差0.05%,幾乎持平。然而,將DSC-FER方法的識別率與本文預(yù)訓(xùn)練的兩個基分類網(wǎng)絡(luò),可得出經(jīng)過聯(lián)合微調(diào)后該方法比基分類網(wǎng)絡(luò)平均高6.49%,更能體現(xiàn)出聯(lián)合微調(diào)方法的有效性。

    DSC-FER方法在JAFFE數(shù)據(jù)集上的識別結(jié)果混淆矩陣見表6。從表6可以看出,因其數(shù)據(jù)集是少樣本數(shù)據(jù)集且表情圖像噪聲較少,最終該方法將恐懼表情中的部分識別為悲傷,悲傷錯誤地識別成高興,所以除恐懼和悲傷表情以外其它表情均能正確分類。

    表6 JAFFE識別結(jié)果混淆矩陣

    3.6 分析平衡系數(shù)λ對DSC-FER分類效果的影響

    該實驗?zāi)康氖茄芯糠治銎胶庀禂?shù)λ對DSC-FER分類效果的影響,并對比聯(lián)合微調(diào)和加權(quán)求和這兩種不同的融合

    方法的效果。對比表1和表3發(fā)現(xiàn)聯(lián)合微調(diào)方法在CK+數(shù)據(jù)集上提升效果更大,因此,實驗采用CK+數(shù)據(jù)集作為平衡系數(shù)影響實驗的研究對象,并將λ依次取值0.05、0.1、0.2、0.3、0.4、0.5、0.6。

    實驗結(jié)果如圖5所示,從圖5中可以看出,在DSC-FER方法中聯(lián)合微調(diào)比加權(quán)求和能更好地融合基模型,從而提高表情識別精度。隨著平衡系數(shù)λ的增加,采用聯(lián)合微調(diào)的DSC-FER方法在λ值為0.1時,模型準確率達到最高,當其值取0.05時,模型融合不見成效使準確率低于基模型達到最低,當其值超過0.1時,準確率開始明顯下降;采用加權(quán)求和的DSC-FER方法在λ值為0.3時,模型準確率達到最高,當其值小于0.3時,模型準確率不足,當其值大于0.3時,模型準確率開始下降。實驗結(jié)果表明了平衡系數(shù)λ對DSC-FER分類效果有很大的影響,當λ值過小時,不能達到較好的提升效果,當λ值過大時,模型準確率下降,所以平衡系數(shù)λ的選擇對DSC-FER方法至關(guān)重要。

    圖5 平衡系數(shù)λ對DSC-FER分類效果的影響

    4 結(jié)束語

    人臉表情識別已經(jīng)被眾多領(lǐng)域廣泛關(guān)注,但在實際應(yīng)用環(huán)境下人臉表情很多是處于復(fù)雜環(huán)境下,從而導(dǎo)致表情識別泛化能力不足和識別精度問題。因此,本文利用人臉分割網(wǎng)絡(luò)和模型融合方法來提高模型的識別率和泛化能力,進而提出一種基于深度可分離的人臉表情識別方法。通過構(gòu)建一個基于U型全卷積網(wǎng)絡(luò)的RROI網(wǎng)絡(luò),可以避免圖像處于較小像素和復(fù)雜環(huán)境下利用特征點不能分割的情況,分割出與表情識別最相關(guān)的面部區(qū)域;通過結(jié)合深度可分卷積優(yōu)點構(gòu)建兩個基分類網(wǎng)絡(luò),提升網(wǎng)絡(luò)對表情識別率的同時保證模型的計算量與內(nèi)存占用均為少量水平;其次通過聯(lián)合微調(diào)方法融合后,最終在CK+、FER-2013和JAFFE數(shù)據(jù)集上識別率分別達98.98%、75.15%、97.14%,將這3個經(jīng)典數(shù)據(jù)集與現(xiàn)有表情識別方法做實驗對比,驗證了DSC-FER方法的有效性;最后,本文對DSC-FER方法和加權(quán)求和方法中平衡系數(shù)λ進行研究分析,驗證了選擇適當?shù)摩酥祵SC-FER方法至關(guān)重要,聯(lián)合微調(diào)方法比加權(quán)求和方法在DSC-FER方法中更有效。在接下來的研究中,考慮采集人臉數(shù)據(jù)的成本問題,將進行基于半監(jiān)督學(xué)習或無監(jiān)督學(xué)習的人臉表情識別。

    猜你喜歡
    識別率人臉卷積
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    有特點的人臉
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測
    計算機工程(2020年3期)2020-03-19 12:24:50
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識別率的關(guān)系
    三國漫——人臉解鎖
    動漫星空(2018年9期)2018-10-26 01:17:14
    提升高速公路MTC二次抓拍車牌識別率方案研究
    基于傅里葉域卷積表示的目標跟蹤算法
    高速公路機電日常維護中車牌識別率分析系統(tǒng)的應(yīng)用
    馬面部與人臉相似度驚人
    国产黄a三级三级三级人| 亚洲精品aⅴ在线观看| 特级一级黄色大片| 亚洲人成网站在线观看播放| 久久精品熟女亚洲av麻豆精品 | 久久久久久国产a免费观看| 国产一区二区亚洲精品在线观看| 久久久精品94久久精品| 久久久久久久午夜电影| 男女边吃奶边做爰视频| 99九九线精品视频在线观看视频| 有码 亚洲区| 午夜福利在线观看吧| 老司机福利观看| 午夜免费男女啪啪视频观看| 午夜日本视频在线| 最近视频中文字幕2019在线8| 国产老妇伦熟女老妇高清| 国产亚洲av片在线观看秒播厂 | 伦理电影大哥的女人| 国产一区二区三区av在线| 欧美性猛交黑人性爽| 男人的好看免费观看在线视频| 男人狂女人下面高潮的视频| 看免费成人av毛片| 日本wwww免费看| 一级毛片久久久久久久久女| 蜜桃亚洲精品一区二区三区| 欧美日韩国产亚洲二区| 白带黄色成豆腐渣| 久久精品国产自在天天线| 九九久久精品国产亚洲av麻豆| 国产亚洲午夜精品一区二区久久 | 偷拍熟女少妇极品色| 少妇人妻精品综合一区二区| 免费一级毛片在线播放高清视频| 亚洲精品乱码久久久久久按摩| 又粗又硬又长又爽又黄的视频| 好男人视频免费观看在线| 麻豆精品久久久久久蜜桃| 人人妻人人看人人澡| 中文字幕av成人在线电影| 亚洲18禁久久av| videossex国产| 国产精品久久电影中文字幕| 国产熟女欧美一区二区| 亚洲综合色惰| 亚洲国产色片| 日韩成人伦理影院| 久久精品国产自在天天线| 久久6这里有精品| 女人被狂操c到高潮| 尾随美女入室| 男女下面进入的视频免费午夜| 日本爱情动作片www.在线观看| 超碰97精品在线观看| 国产伦在线观看视频一区| 国产精品国产三级专区第一集| 久久久久久久午夜电影| 国产乱来视频区| kizo精华| 精华霜和精华液先用哪个| 午夜亚洲福利在线播放| 18禁动态无遮挡网站| 99久久精品国产国产毛片| 麻豆精品久久久久久蜜桃| 婷婷色av中文字幕| 婷婷色av中文字幕| 赤兔流量卡办理| 夫妻性生交免费视频一级片| 高清午夜精品一区二区三区| 熟女电影av网| 99久久九九国产精品国产免费| 青春草视频在线免费观看| 亚洲人成网站高清观看| 97超碰精品成人国产| 国语自产精品视频在线第100页| 成人毛片60女人毛片免费| 亚洲成人中文字幕在线播放| 日韩大片免费观看网站 | 又爽又黄无遮挡网站| 国产成人精品一,二区| 国产伦一二天堂av在线观看| 精品国产露脸久久av麻豆 | 九九在线视频观看精品| 97人妻精品一区二区三区麻豆| 日韩大片免费观看网站 | 网址你懂的国产日韩在线| 久久这里只有精品中国| 简卡轻食公司| 日韩,欧美,国产一区二区三区 | 日韩视频在线欧美| 国产乱人视频| 女人十人毛片免费观看3o分钟| 亚洲欧美精品综合久久99| 黄色配什么色好看| 亚洲自偷自拍三级| 午夜爱爱视频在线播放| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲国产精品专区欧美| 能在线免费观看的黄片| 精品少妇黑人巨大在线播放 | 国产成人a区在线观看| 国内精品美女久久久久久| 精品午夜福利在线看| 国产片特级美女逼逼视频| 国产伦精品一区二区三区四那| 午夜福利在线在线| 搡老妇女老女人老熟妇| 又黄又爽又刺激的免费视频.| 日本黄大片高清| 亚洲欧洲日产国产| 亚洲精品456在线播放app| 看免费成人av毛片| 中文精品一卡2卡3卡4更新| 中文乱码字字幕精品一区二区三区 | 午夜久久久久精精品| 国产精品久久久久久久电影| 男女边吃奶边做爰视频| 久久久国产成人精品二区| 黄色配什么色好看| 亚洲内射少妇av| 桃色一区二区三区在线观看| 亚洲最大成人中文| 九九久久精品国产亚洲av麻豆| 亚洲精品国产av成人精品| 午夜精品一区二区三区免费看| 日韩av不卡免费在线播放| 青青草视频在线视频观看| 国产精品蜜桃在线观看| 国产午夜福利久久久久久| 久久久久久久午夜电影| 久久草成人影院| 国产黄片美女视频| 亚洲18禁久久av| 久久精品夜色国产| 欧美激情国产日韩精品一区| 国产欧美另类精品又又久久亚洲欧美| 韩国av在线不卡| 熟妇人妻久久中文字幕3abv| av免费在线看不卡| a级毛色黄片| 大香蕉久久网| 天堂√8在线中文| 中文字幕精品亚洲无线码一区| 尾随美女入室| 丰满人妻一区二区三区视频av| 麻豆成人午夜福利视频| 尾随美女入室| 99久久精品热视频| 国产人妻一区二区三区在| 91狼人影院| 久久精品久久久久久噜噜老黄 | 男人舔奶头视频| 搡老妇女老女人老熟妇| 精品久久久噜噜| 蜜臀久久99精品久久宅男| 亚洲国产精品成人综合色| 国产大屁股一区二区在线视频| 国产熟女欧美一区二区| 综合色丁香网| 国产成人精品一,二区| 2022亚洲国产成人精品| 久久久久九九精品影院| 国产伦在线观看视频一区| 婷婷六月久久综合丁香| 久久久久性生活片| 国产老妇女一区| 国产黄a三级三级三级人| 超碰97精品在线观看| 精品不卡国产一区二区三区| 舔av片在线| 别揉我奶头 嗯啊视频| 成人毛片a级毛片在线播放| 深爱激情五月婷婷| 久久精品国产鲁丝片午夜精品| 国产精品综合久久久久久久免费| 久久韩国三级中文字幕| 看片在线看免费视频| 欧美bdsm另类| 一级黄片播放器| 亚洲av二区三区四区| 亚洲自偷自拍三级| 国产精品久久电影中文字幕| 国产女主播在线喷水免费视频网站 | 一夜夜www| av在线老鸭窝| av播播在线观看一区| 男女视频在线观看网站免费| 免费av观看视频| 最新中文字幕久久久久| 亚洲欧美一区二区三区国产| 国产探花极品一区二区| 亚洲av中文av极速乱| 91久久精品电影网| 久久99蜜桃精品久久| av免费观看日本| 国国产精品蜜臀av免费| 午夜福利在线观看吧| 国产精品蜜桃在线观看| 91精品一卡2卡3卡4卡| 亚洲欧洲国产日韩| 国产麻豆成人av免费视频| 久久鲁丝午夜福利片| 日韩三级伦理在线观看| 午夜福利成人在线免费观看| 精品人妻偷拍中文字幕| 一个人观看的视频www高清免费观看| 夜夜爽夜夜爽视频| 99久久精品热视频| 国产精品一区www在线观看| 久久精品夜色国产| 日本猛色少妇xxxxx猛交久久| 精品欧美国产一区二区三| 亚洲成人久久爱视频| 国产淫语在线视频| www.av在线官网国产| 精品酒店卫生间| 国产亚洲5aaaaa淫片| 日韩大片免费观看网站 | 在现免费观看毛片| 国产亚洲av片在线观看秒播厂 | 国产午夜精品一二区理论片| 日韩人妻高清精品专区| 久久精品综合一区二区三区| 狂野欧美白嫩少妇大欣赏| 日韩一区二区视频免费看| 男人舔奶头视频| 国产精品精品国产色婷婷| 如何舔出高潮| av天堂中文字幕网| 黑人高潮一二区| 最近手机中文字幕大全| 日韩欧美国产在线观看| 99久久精品一区二区三区| 精品人妻熟女av久视频| 国产成人a区在线观看| 九九在线视频观看精品| 天堂√8在线中文| 久久精品久久久久久久性| 色综合色国产| 久久久久久久久大av| 午夜精品在线福利| 久久久欧美国产精品| 亚洲激情五月婷婷啪啪| 国产高清国产精品国产三级 | 久久亚洲国产成人精品v| 搡女人真爽免费视频火全软件| 亚洲精品国产av成人精品| 午夜视频国产福利| 97人妻精品一区二区三区麻豆| 成人无遮挡网站| 日韩视频在线欧美| 亚洲国产精品sss在线观看| 嫩草影院入口| 亚洲丝袜综合中文字幕| 国产免费男女视频| av免费在线看不卡| 亚洲成人久久爱视频| 亚洲最大成人中文| 国产真实伦视频高清在线观看| 午夜亚洲福利在线播放| 精品人妻一区二区三区麻豆| 亚洲中文字幕日韩| 乱人视频在线观看| 成年av动漫网址| 中文天堂在线官网| 舔av片在线| 国产v大片淫在线免费观看| 黄色配什么色好看| 亚洲精品色激情综合| 三级国产精品片| 国产精品乱码一区二三区的特点| 亚洲伊人久久精品综合 | 国产成人精品一,二区| 男女啪啪激烈高潮av片| 一夜夜www| 国产免费又黄又爽又色| 亚洲自拍偷在线| 男插女下体视频免费在线播放| 精品国内亚洲2022精品成人| 亚洲乱码一区二区免费版| 色播亚洲综合网| 黄色欧美视频在线观看| 只有这里有精品99| 久久午夜福利片| 日韩成人伦理影院| 国产成人91sexporn| 欧美xxxx性猛交bbbb| 久久这里有精品视频免费| 国内少妇人妻偷人精品xxx网站| 免费不卡的大黄色大毛片视频在线观看 | 欧美+日韩+精品| 日韩一本色道免费dvd| 丰满乱子伦码专区| 丝袜喷水一区| 亚洲国产精品专区欧美| 亚洲国产成人一精品久久久| av在线观看视频网站免费| 国产真实乱freesex| 中文亚洲av片在线观看爽| 丝袜美腿在线中文| 精品酒店卫生间| 综合色丁香网| 久久精品国产亚洲av涩爱| 国产视频首页在线观看| a级一级毛片免费在线观看| 国产高清视频在线观看网站| 国产成人精品一,二区| 精品久久久久久电影网 | 亚洲av.av天堂| 老司机福利观看| 永久网站在线| 一级二级三级毛片免费看| 国产精品,欧美在线| 最近的中文字幕免费完整| 你懂的网址亚洲精品在线观看 | 狂野欧美激情性xxxx在线观看| 蜜桃久久精品国产亚洲av| 1000部很黄的大片| 少妇裸体淫交视频免费看高清| 极品教师在线视频| 伊人久久精品亚洲午夜| 精品人妻视频免费看| 男人和女人高潮做爰伦理| 欧美高清成人免费视频www| 男女下面进入的视频免费午夜| 不卡视频在线观看欧美| 精品人妻偷拍中文字幕| a级毛片免费高清观看在线播放| 成年av动漫网址| 国产三级中文精品| 欧美成人一区二区免费高清观看| 午夜视频国产福利| 日韩精品有码人妻一区| 亚洲欧美日韩高清专用| 麻豆成人av视频| 美女国产视频在线观看| 三级国产精品片| 国产高清不卡午夜福利| 国产成人免费观看mmmm| 国产视频内射| 美女脱内裤让男人舔精品视频| 淫秽高清视频在线观看| 一卡2卡三卡四卡精品乱码亚洲| 国产精品综合久久久久久久免费| av视频在线观看入口| 亚洲av成人精品一区久久| 国产午夜精品久久久久久一区二区三区| av国产久精品久网站免费入址| 亚洲av中文字字幕乱码综合| 久久亚洲精品不卡| 午夜激情欧美在线| 夫妻性生交免费视频一级片| 亚洲av电影在线观看一区二区三区 | 午夜福利高清视频| 好男人在线观看高清免费视频| 免费观看在线日韩| 精品欧美国产一区二区三| 欧美三级亚洲精品| 在线免费十八禁| 1000部很黄的大片| 热99re8久久精品国产| ponron亚洲| 水蜜桃什么品种好| 久久99精品国语久久久| 国产亚洲一区二区精品| 国产精品无大码| 干丝袜人妻中文字幕| 亚洲精品,欧美精品| 桃色一区二区三区在线观看| 日本色播在线视频| 亚洲不卡免费看| 日韩制服骚丝袜av| 中文在线观看免费www的网站| 国产成人免费观看mmmm| 精品久久久噜噜| 中文精品一卡2卡3卡4更新| 黄色欧美视频在线观看| 丰满乱子伦码专区| 欧美+日韩+精品| 一夜夜www| 亚洲国产精品合色在线| 午夜福利在线观看吧| 小说图片视频综合网站| 禁无遮挡网站| 精品人妻偷拍中文字幕| 久久国内精品自在自线图片| 欧美不卡视频在线免费观看| 国产精品乱码一区二三区的特点| 久久99蜜桃精品久久| av国产久精品久网站免费入址| 亚洲丝袜综合中文字幕| 成人国产麻豆网| 亚洲成人久久爱视频| 国语自产精品视频在线第100页| 淫秽高清视频在线观看| 国产高清三级在线| 婷婷色综合大香蕉| 久久精品夜色国产| 久久精品91蜜桃| 日日摸夜夜添夜夜爱| 午夜免费男女啪啪视频观看| 日韩欧美三级三区| 国产精品蜜桃在线观看| 国产三级中文精品| 99久国产av精品国产电影| 人妻制服诱惑在线中文字幕| a级毛片免费高清观看在线播放| 国产色爽女视频免费观看| 在线观看一区二区三区| 久久精品久久久久久久性| 成人三级黄色视频| 久久精品国产鲁丝片午夜精品| 亚洲一级一片aⅴ在线观看| 久久久精品大字幕| 国产高清国产精品国产三级 | АⅤ资源中文在线天堂| 97超碰精品成人国产| 亚洲av一区综合| 大香蕉久久网| 国产亚洲av嫩草精品影院| 91久久精品电影网| 欧美3d第一页| 国产伦精品一区二区三区视频9| 老师上课跳d突然被开到最大视频| 五月玫瑰六月丁香| 精品国内亚洲2022精品成人| av在线天堂中文字幕| 搞女人的毛片| 六月丁香七月| 我的老师免费观看完整版| 中文字幕精品亚洲无线码一区| 国产精品无大码| 蜜桃久久精品国产亚洲av| 日韩大片免费观看网站 | 最近最新中文字幕免费大全7| 亚洲在线观看片| 欧美性猛交黑人性爽| 熟妇人妻久久中文字幕3abv| 99久久无色码亚洲精品果冻| 国内精品美女久久久久久| 午夜激情欧美在线| 色噜噜av男人的天堂激情| 日韩欧美国产在线观看| 国国产精品蜜臀av免费| 不卡视频在线观看欧美| 国产在视频线精品| 亚洲精品亚洲一区二区| 成人亚洲精品av一区二区| av免费在线看不卡| 赤兔流量卡办理| 国产黄色小视频在线观看| 亚洲成色77777| 国产精品熟女久久久久浪| 波多野结衣高清无吗| 特大巨黑吊av在线直播| 爱豆传媒免费全集在线观看| 波多野结衣巨乳人妻| 精品免费久久久久久久清纯| 大话2 男鬼变身卡| 老司机影院成人| 蜜臀久久99精品久久宅男| 亚洲av不卡在线观看| 免费电影在线观看免费观看| 看黄色毛片网站| 岛国在线免费视频观看| 国产av码专区亚洲av| av女优亚洲男人天堂| 国产午夜精品久久久久久一区二区三区| 九九爱精品视频在线观看| 亚洲国产欧洲综合997久久,| 亚洲无线观看免费| 一边摸一边抽搐一进一小说| 男的添女的下面高潮视频| 国产单亲对白刺激| 日韩大片免费观看网站 | 又粗又硬又长又爽又黄的视频| 日韩在线高清观看一区二区三区| 女人十人毛片免费观看3o分钟| 亚洲电影在线观看av| 国产成人aa在线观看| 日本午夜av视频| 久久久a久久爽久久v久久| 久久久久久大精品| 看十八女毛片水多多多| 国产精品久久久久久精品电影小说 | 久久久久九九精品影院| 午夜日本视频在线| 国产久久久一区二区三区| 少妇的逼好多水| 亚洲在久久综合| 国产在视频线精品| av在线观看视频网站免费| 别揉我奶头 嗯啊视频| 日本猛色少妇xxxxx猛交久久| 内射极品少妇av片p| 男人的好看免费观看在线视频| 日韩精品青青久久久久久| 亚洲人成网站在线播| 国产成人精品婷婷| 国产高清三级在线| 国产一区亚洲一区在线观看| 99热这里只有是精品50| 天堂√8在线中文| 国产精品野战在线观看| 波多野结衣巨乳人妻| 国产黄片视频在线免费观看| 成年女人看的毛片在线观看| 亚洲一区高清亚洲精品| 亚洲精品乱久久久久久| 久久久久免费精品人妻一区二区| 一级毛片我不卡| 日韩精品青青久久久久久| 欧美高清性xxxxhd video| 国产亚洲91精品色在线| 亚洲欧美日韩东京热| 国产亚洲精品久久久com| 日本与韩国留学比较| 乱码一卡2卡4卡精品| 色综合站精品国产| 亚洲成色77777| 亚洲人与动物交配视频| 最新中文字幕久久久久| 天堂av国产一区二区熟女人妻| 91久久精品国产一区二区成人| 国产高清不卡午夜福利| 一区二区三区乱码不卡18| 日本免费在线观看一区| 六月丁香七月| 国产精品久久久久久久电影| or卡值多少钱| 岛国毛片在线播放| 欧美成人一区二区免费高清观看| 美女脱内裤让男人舔精品视频| 国产精品嫩草影院av在线观看| 我的老师免费观看完整版| 免费黄色在线免费观看| 亚洲乱码一区二区免费版| 国产精品久久久久久久久免| 男女下面进入的视频免费午夜| 午夜久久久久精精品| 97超视频在线观看视频| 免费观看精品视频网站| 天堂√8在线中文| 精品久久久久久久人妻蜜臀av| 国产精品爽爽va在线观看网站| 久久亚洲国产成人精品v| 久久久久久大精品| 日韩成人伦理影院| 精品免费久久久久久久清纯| 国产黄片美女视频| 18禁裸乳无遮挡免费网站照片| av天堂中文字幕网| 日韩高清综合在线| 麻豆久久精品国产亚洲av| 国产人妻一区二区三区在| 两个人的视频大全免费| 熟女人妻精品中文字幕| 身体一侧抽搐| 禁无遮挡网站| 我的老师免费观看完整版| 一本一本综合久久| 国产免费一级a男人的天堂| 日本欧美国产在线视频| 欧美日韩一区二区视频在线观看视频在线 | 1024手机看黄色片| 色噜噜av男人的天堂激情| 成人午夜精彩视频在线观看| 成人无遮挡网站| 村上凉子中文字幕在线| 成人综合一区亚洲| 卡戴珊不雅视频在线播放| 日韩精品青青久久久久久| 老师上课跳d突然被开到最大视频| 超碰av人人做人人爽久久| 国产免费一级a男人的天堂| 99热这里只有精品一区| 激情 狠狠 欧美| 亚洲电影在线观看av| 特大巨黑吊av在线直播| 精品午夜福利在线看| 日韩欧美在线乱码| 日本爱情动作片www.在线观看| 成人高潮视频无遮挡免费网站| 校园人妻丝袜中文字幕| 久久久久久久久久久免费av| videossex国产| 欧美区成人在线视频| a级毛色黄片| 欧美精品国产亚洲| 少妇高潮的动态图| 国产乱来视频区| 中文精品一卡2卡3卡4更新| 亚洲色图av天堂| 建设人人有责人人尽责人人享有的 | 国产精品久久视频播放| av播播在线观看一区| 免费观看精品视频网站| 亚洲婷婷狠狠爱综合网| 村上凉子中文字幕在线| 可以在线观看毛片的网站| 亚洲精品影视一区二区三区av| 国产精品福利在线免费观看| 直男gayav资源| 一边亲一边摸免费视频| 亚洲欧美成人精品一区二区| 日韩成人av中文字幕在线观看| 伦理电影大哥的女人| 久久午夜福利片| 免费av不卡在线播放| 精品一区二区三区视频在线| 人人妻人人澡欧美一区二区| 如何舔出高潮| 亚洲av男天堂|