《表1 三种方法在CASME2数据集上的实验结果》

  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

《基于多任务中级特征个性化学习的微表情识别》

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

对于不使用加权方案的情况，模型MMFIL获得的结果高于MMFL在CASME2数据集上的结果，表明MMFIL可以生成具有更多判别信息的中级特征表示，解决同一人的不同类表情和不同人的同类表情的特征相似度更高，可用判别信息更少的问题。对于使用加权方案wbalance的情况，模型MMFIL获得的结果高于MMFL和原始低级特征的结果。表明提出的多任务中级特征个性化学习方法的有效性，通过个性化学习生成了具有更高泛化能力的中级特征，对同一人的不同类表情和不同人的同类表情泛化能力更强，从而带来了更好的识别性能。此外，使用两种加权方案，对于CASME2数据集，可以观察到不同的加权方案结果。在CASME2中，无论是否使用多任务中级特征个性化学习方法，使用wbalance的结果都显著高于使用wactive的结果，这可能是由于在非活跃区域中包含了较多微表情的细微变化，通过使用wbalance加大了非活跃区域的权重，从而产生了更好的识别结果。