典型文献
自纠正噪声标签的人脸美丽预测
文献摘要:
目的 人脸美丽预测是研究如何使计算机具有与人类相似的人脸美丽判断或预测能力,然而利用深度神经网络进行人脸美丽预测存在过度拟合噪声标签样本问题,从而影响深度神经网络的泛化性.因此,本文提出一种自纠正噪声标签方法用于人脸美丽预测.方法 该方法包括自训练教师模型机制和重标签再训练机制.自训练教师模型机制以自训练的方式获得教师模型,帮助学生模型进行干净样本选择和训练,直至学生模型泛化能力超过教师模型并成为新的教师模型,并不断重复该过程;重标签再训练机制通过比较最大预测概率和标签对应预测概率,从而纠正噪声标签.同时,利用纠正后的数据反复执行自训练教师模型机制.结果 在大规模人脸美丽数据库LSFBD(large scale facial beauty database)和SCUT-FBP5500数据库上进行实验.结果 表明,本文方法在人工合成噪声标签的条件下可降低噪声标签的负面影响,同时在原始LSFBD数据库和SCUT-FBP5500数据库上分别取得60.8%和75.5%的准确率,高于常规方法.结论 在人工合成噪声标签条件下的LSFBD和SCUT-FBP5500数据库以及原始LSFBD和SCUT-FBP5500数据库上的实验表明,所提自纠正噪声标签方法具有选择干净样本学习、充分利用全部数据的特点,可降低噪声标签的负面影响,能在一定程度上降低人脸美丽预测中噪声标签的负面影响,提高预测准确率.
文献关键词:
深度学习;噪声标签;人脸美丽预测;特征分类;深度神经网络
中图分类号:
作者姓名:
甘俊英;吴必诚;翟懿奎;何国辉;麦超云;白振峰
作者机构:
五邑大学智能制造学部,江门 529020
文献出处:
引用格式:
[1]甘俊英;吴必诚;翟懿奎;何国辉;麦超云;白振峰-.自纠正噪声标签的人脸美丽预测)[J].中国图象图形学报,2022(08):2487-2495
A类:
人脸美丽预测,LSFBD,FBP5500
B类:
自纠,噪声标签,机具,预测能力,深度神经网络,过度拟合,影响深度,泛化性,自训练,训练机制,学生模型,干净,样本选择,模型泛化,泛化能力,large,scale,facial,beauty,database,SCUT,人工合成,低噪声,常规方法,签条,预测准确率,特征分类
AB值:
0.21358
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。