《表1 迁移学习与传统机器学习》
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。
图表编号 | XD00163340400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 何俊、刘跃、李倡洪、沈津铭、李帅、王京威 |
绘制单位 | 南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |