《表4 对比实验结果：基于Apex帧光流和卷积自编码器的微表情识别》

  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Apex帧光流和卷积自编码器的微表情识别》

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

为进一步分析Apex-OFCAE方法在不同数据集中的性能差异，绘制了融合数据集和3个单独数据集分类结果的混淆矩阵。如图6所示，（a)～(d）分别表示融合数据集、CASME II、SAMM和SMIC的混淆矩阵。纵坐标表示微表情的真实标签，横坐标表示预测的分类标签，数值代表各个类别预测概率。例如，融合数据集中0.82代表实际类别是“消极”并被正确预测为“消极”的概率；0.30表示实际类别为“积极”但是被预测为“消极”的概率。可以看出不少“积极”或者“惊讶”类别被错误地预测为“消极”，原因是类别不平衡，“消极”样本总数超过一半（250/442），因此分类结果偏向于“消极”类别。提出的方法在CASME II数据集上识别性能最好，SMIC数据集性能不好的原因是分辨率和帧率比较低，Apex帧的选取跟实际的Apex帧存在一定的误差。SAMM数据集中的问题是类别间样本数量不平衡，“惊讶”和“积极”的样本数量分别只占总量的10%和20%。因此，对于SMIC和SAMM数据集的识别还存在较大的挑战。