《表1 不同算法的分类结果》

  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

《基于稀疏子空间迁移学习的跨域人脸表情识别》

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

%

在表1中，本文给出了不同数据集实验对比下，7种基线方法及本文所提出方法的识别率。从表1可以看出，所提出的方法与传统PCA方法相比提高了8.19%。传统方法识别率低是因为忽略了不同人脸数据库之间的数据分布差异。在跨域人脸表情识别中，源域和目标域数据往往是从不同的场景中收集的，例如不同的种族、环境、设备等，它们遵循不同的特征分布，直接使用传统方法可能会导致识别性能差。与6种迁移子空间学习算法相比较，本文所提出的方法获得了最佳的平均识别性能，平均分类精度为48.55%，与第二最佳方法GSL[24]方法相比提高了1.41%。这表明，本文所提出的方法可以获得更有效的迁移特征表示空间，并且能够充分利用源域的标签判别子空间及数据的局部判别结构，从而有效地解决跨域人脸表情识别任务。