典型文献
基于ACNN和Bi-LSTM的微表情识别
文献摘要：
针对微表情动作幅度小、强度低等缺点,提出了一种基于带有注意力机制的卷积神经网络(ACNN)和双向长短期记忆网络(Bi-LSTM)相结合的神经网络结构.实验采用CASMEⅡ数据集,为了减少出现过拟合的风险,首先将预处理后的特征向量经过预训练的VGG16网络提取出基本特征,接着对输出特征进行裁剪,得到带有局部特征的24个微表情识别块和带有整个图片特征的全局特征向量;然后将24个识别块分别经过局部识别块注意力卷积神经网络(BR-ACNN)提取出带有注意力信息的局部特征,将全局特征向量经过全局注意力卷积神经网络(GR-ACNN)提取出带有注意力信息的全局特征;最后,将提取的局部和全局特征,经过Bi-LSTM提取出微表情序列之间的相关性信息.实验结果显示,5折交叉验证平均准确率为0.69,UF1为0.6382,UAR为0.6750.CASMEⅡ数据集上结果显示,所提算法模型相对OFFApexNet模型,其UF1提高了0.0281,UAR提高了0.0969;相对ATNet模型,其UF1提高了0.0072,UAR提高了0.0320.
文献关键词：
微表情识别;长短时记忆网络;注意力网络;迁移学习;识别块
中图分类号：
作者姓名：
朱文球;李永胜;黄史记;阳昊彤
作者机构：
湖南工业大学计算机学院,湖南株洲 412007
文献出处：
引用格式：
[1]朱文球;李永胜;黄史记;阳昊彤-.基于ACNN和Bi-LSTM的微表情识别)[J].湖南工业大学学报,2022(06):34-41
A类：
识别块,OFFApexNet,ATNet
B类：
ACNN,Bi,微表情识别,情动,注意力机制,双向长短期记忆网络,神经网络结构,CASME,过拟合,特征向量,预训练,VGG16,裁剪,局部特征,图片特征,全局特征,BR,出带,全局注意力,GR,交叉验证,平均准确率,UF1,UAR,算法模型,长短时记忆网络,注意力网络,迁移学习
AB值：
0.247839
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。
