《表1 不同算法的分类结果》
%
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。
图表编号 | XD00208475000 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.01 |
作者 | 张雯婧、宋鹏、陈栋梁、郑文明、赵力 |
绘制单位 | 烟台大学计算机与控制工程学院、烟台大学计算机与控制工程学院、烟台大学计算机与控制工程学院、东南大学儿童发展与学习科学教育部重点实验室、东南大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |