《表3 不同方法下的识别准确率和F1-score对比结果》
最后,将本文方法与基于特征提取的传统方法和最新的基于深度学习的方法进行对比。表3统计了与8种不同方法进行对比的实验结果,其中LBP-TOP[25],STCLQP[26],LBP-SIP[8],STLBP-IP[9]及Bi-WOOF[27]分别是传统时空特征提取加机器学习的方法,3D-FCNN[15]是融合光流和卷积神经网络的方法,DSSN[16]是一种基于浅层双流卷积神经网络的方法,CNN+LSTM[14]是通过卷积神经网络和循环神经网络来融合微表情时域信息进行微表情的识别。而本文通过对人眼部分进行掩膜排除干扰并作为3D Res Net输入能够有效地提取浅层次的特征并在深层继续被重复利用,并且可以让提取的特征在时域和空间域上建立联系。通过对比传统和深度学习的微表情识别方法,本文方法识别效果更优。
图表编号 | XD00197071800 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.01 |
作者 | 方明、陈文强 |
绘制单位 | 长春理工大学计算机科学技术学院、长春理工大学人工智能学院、长春理工大学计算机科学技术学院 |
更多格式 | 高清、无水印(增值服务) |