论文部分内容阅读
深度卷积神经网络在基于二值离散化标签的图片分类问题和其他计算机视觉任务上,表现出非常优秀的性能。模糊表情识别使用隶属度函数描述情感的强烈程度,在实际生活中得到了广泛的应用。扩展深度卷积神经网络模型并应用于模糊表情识别问题,对实现鲁棒的表情识别系统具有非常重要的意义。本文首先对表情识别系统、深度卷积神经网络和基于模糊粗糙集理论的特征选择的研究现状进行了综述,对实现深度模糊表情分类系统的步骤进行了归纳,并介绍了相关工作和基础知识。本文主要研究了深度卷积神经网络在应用于模糊表情分类的过程中遇到的问题。结合模糊粗糙集理论,本文提出了模糊粗糙卷积神经网络模型,并在Jaffe数据集和BU-3DFE数据集上进行了实验验证。本文的主要工作如下:1.模糊粗糙集理论作为有效描述不确定信息的数学工具,本文将其引入深度学习,提出了模糊粗糙卷积神经网络。基于核化模糊粗糙集理论,本文提出了模糊分类不确定度最小化的优化目标,用于卷积神经网络的训练,并给出了模糊粗糙损失函数的定义和优化方法。2.本文基于算法适应k NN和线性Softmax回归两种模糊分类器,将模糊粗糙卷积神经网络用于模糊表情分类任务,并与传统图片特征和传统深度学习方法进行了比较。实验结果表明,在Jaffe和BU-3DFE两个数据集上,基于模糊粗糙卷积神经网络的模糊分类器性能优于局部二值模式特征、Image Net数据集上预训练的深度卷积神经网络以及进一步微调得到的深度卷积神经网络。3.基于构建的深度模糊表情分类器,结合多任务级联CNN人脸检测模型,本文实现了开放条件下的模糊表情识别。为了提高模糊表情分类器在开放条件下的泛化能力,使用对抗迁移网络进一步微调模型,并通过实验验证了所提出方法的有效性。