- FER:面部表情识别
- 数据集:
- 表情产生的方式:
- posed:摆拍
- spontaneous(自然)
- 收集条件
- lab:实验室收集
- web(网页抓取)
- movie(电影截图)
- 表情产生的方式:
- 一个深度面部表情识别系统
- 输入
- 预处理:
- 面部对齐:检测人脸,去掉背景和无关区域,关键点标定,关于关键点的坐标:人脸可以利用仿射变换显示到统一的预定义模板上,可减少旋转和面部变形带来的变化
- 数据增强:
- 缩放
- 旋转
- 颜色
- 加躁
- 归一化
- illumination(光照归一化):基于各向同性扩散归一化、基于离散余弦归一化,高斯差分
- pose(姿势归一化):以产生正面人脸视角。在标定人脸关键点之后,生成一个3D纹理参考模型,估测人脸部件,将输入人脸反投影到参考坐标系上,生成初始正面人脸
- 线下数据增强主要通过一些图像处理操作来扩充数据库,让网络对出现偏移和旋转的人脸更健壮,也可使用cnn或gan来生成更多的数据
- 在线数据增强方法一般集成在深度学习工具箱中,在训练过程中,输入样本被随机中心裁减1,并水平翻转,得到比原训练数据库大10倍的数据库
- 训练模型:
- 网络集成需要考虑的因素:
- 网络要具有足够的多样性,以保证互补:需要考虑不同的训练数据库和不同的网络结构及参数
- 合适的集成方法:特征层,决策层
- 多任务学习:将知识从其他相关任务中迁移出来,消除有害信息,如表情识别任务+面部识别任务
- 级联网络:不同任务的各种模块按顺序组合,形成更深的网络
- 网络集成需要考虑的因素:
- 测试
- 输出
面部表情识别---学习笔记
![](https://img-home.csdnimg.cn/images/20240711042549.png)