典型文献
一种孤立中心损失方法及其在人脸表情识别中的应用
文献摘要：
针对Softmax损失监督下各类样本之间区分度不足的问题,提出了一种孤立中心损失监督方法.基于类间离散度尽量大、类内离散度尽量小的原则,提出方法由3部分组成:采用等角分布固定权值,使得全部类间夹角余弦值之和最小,确保不同类别在角度空间的距离最大化;中心聚类思想,最小化每个样本与其所属类别的中心之间的欧氏距离,促使同类样本尽量聚拢;最大化不同类之间的欧氏距离,使得不同类样本在欧氏空间尽量分开.在表情数据集FER2013、FERPlus和RAF-DB上的测试结果显示:提出方法的平均准确率分别达到了73.02％、88.56％和86.26％,相比于Softmax损失函数,分别提升了1.25％、0.44％和0.65％;同时,提出方法比Softmax损失更加稳定(相同配置下多次实验结果的变化程度更小);提出方法的运行速度只比Softmax损失方法略微慢一点,仍然比一些其他方法快.
文献关键词：
卷积神经网络;监督学习;损失函数;人脸表情识别
中图分类号：
作者姓名：
王军杰;王泉;蒋平;刘音
作者机构：
西安电子科技大学计算机科学与技术学院,710071,西安;榆林学院信息工程学院,719000,陕西榆林
文献出处：
引用格式：
[1]王军杰;王泉;蒋平;刘音-.一种孤立中心损失方法及其在人脸表情识别中的应用)[J].西安交通大学学报,2022(04):119-126
A类：
FERPlus
B类：
中心损失,人脸表情识别,Softmax,区分度,监督方法,间离,离散度,角分布,定权,权值,部类,夹角,余弦值,度空间,欧氏距离,聚拢,欧氏空间,表情数据集,FER2013,RAF,DB,平均准确率,损失函数,运行速度,略微,其他方法,监督学习
AB值：
0.372371
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。
