《表4 不同方法在MMI数据集上的识别准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《关键点深度特征驱动人脸表情识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体为最优值。

MMI数据集识别准确率如表4所示，基于运动单元的深度网络（AU-aware deep networks，AUDN）结合AU信息，设计了一个AU感知机提取AU相关特征用于表情识别（Liu等，2013）。表情分解获得残差的方法（de-expression residue learning，DeRL）认为表情由身份信息和纯表情因子组成，提出用生成对抗网络（generative adversarial network，GAN）生成不同表情的样本，中间层包含表情因子，融合多个中间特征用于分类（Yang等，2018）。基于深度学习的人脸表情识别方法CNN（Inception）设计了一个较深的网络，包含多个inception结构用于识别人脸表情（Mollahosseini等，2016）。与上述两个数据集一致，为表明方法的有效性，增加了上述对比实验，表4中的实验结果表明了本文方法在MMI数据集上的有效性。本文所对比经典方法的准确率均是原文献中给出的结果，本文在进行实验时，保证实验设置与对比方法保持一致。