《表1 迁移学习与传统机器学习》

  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

《基于改进的深度残差网络的表情识别研究》

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

迁移学习（transfer learning）旨在使用源领域中的知识去改进对于目标领域的预测函数[17]，其核心是将不同领域的知识共享。表1对比介绍了不同的迁移学习方法和传统机器学习方法。由于本文训练使用的数据库较为复杂，为了提高和优化模型的性能，实验利用迁移学习的方法来训练模型。首先在上百万的非人脸表情样本（来自ImageNet数据集图片分类数据）预训练本文的深度残差网络，利用人脸表情数据（FER-2013）对整个网络参数微调，得到表情识别网络，最后利用表情数据（CK+数据库）对网络进行训练。需要指出的是由于CK+数据库数据较少，不能满足训练参数调节的需要，所以在最后的训练过程中保持特征提取层结构不变，仅对原表情识别网络中的全连接层与分类层的参数进行训练，使修改后的网络适用于人脸表情识别任务。在表情识别和图片分类等相关任务中，模型提取的特征具有良好的通用性，在相关任务中都能够取得良好的效果。因此，本文采用归纳式迁移学习方法。