典型文献
双流时间域信息交互的微表情识别卷积网络
文献摘要：
目前主流的深度学习方法用于微表情识别存在实验数据非常稀缺的问题,导致神经网络在学习的过程中知识获取有限进而难以提升精度.针对目前存在的问题,提出双流网络时间域信息交互的微表情识别方法,构建了双流时间域信息交互卷积神经网络(DSTICNN),网络对微表情序列进行处理,进而实现微表情自动识别.该算法通过改进深度互学习策略引导网络学习同一图像序列的不同时间域信息,来提高最终的识别率.算法基于不同时间尺度构建DSTICNN32和DSTICNN64,在训练阶段改良了深度互学习的损失函数.同时,在两流网络接近决策层的特征图加上了均方差损失,最终由交叉熵损失、JS散度损失和均方差损失来共同监督训练,使得两流网络互相学习加强,提高各自预测样本的能力.算法在CASMEⅡ、SMIC数据库上进行了实验,结果表明该算法能有效提高微表情识别率,CASMEⅡ数据库上提高6.83个百分点,SMIC数据库上提高1.65个百分点,整体算法优于现有算法.
文献关键词：
深度学习;双流时间域信息;交互;微表情识别;深度互学习
中图分类号：
作者姓名：
朱伟杰;陈莹
作者机构：
江南大学 轻工过程先进控制教育部重点实验室,江苏 无锡 214122
文献出处：
引用格式：
[1]朱伟杰;陈莹-.双流时间域信息交互的微表情识别卷积网络)[J].计算机科学与探索,2022(04):950-958
A类：
双流时间域信息,DSTICNN,深度互学习,互学习策略,DSTICNN32,DSTICNN64,散度损失
B类：
信息交互,微表情识别,卷积网络,深度学习方法,别存,稀缺,知识获取,双流网络,网络时间,自动识别,进深,策略引导,网络学习,图像序列,识别率,不同时间尺度,训练阶段,损失函数,决策层,特征图,交叉熵损失,JS,互相学习,预测样本,CASME,SMIC,百分点
AB值：
0.205323
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。
