典型文献
基于S-LRCN的微表情识别算法
文献摘要：
基于面部动态表情序列,针对静态表情缺少时间信息等问题,将空间特征与时间特征融合,利用神经网络在图像分类领域良好的特征,对需要进行细节分析的表情序列进行处理,提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks,S-LRCN)的微表情识别方法.首先选取微表情数据集提取面部图像序列,引入迁移学习的方法,通过预训练的卷积神经网络模型提取表情帧的空间特征,降低网络训练中过拟合的危险,并将视频序列的提取特征输入长短期记忆网络(Long short-team memory,LSTM)处理时域特征.最后建立学习者表情序列小型数据库,将该方法用于辅助教学评价.
文献关键词：
微表情识别;时空特征;长期递归卷积网络;长短期记忆网络;教学评价
中图分类号：
作者姓名：
李学翰;胡四泉;石志国;张明
作者机构：
北京科技大学计算机与通信工程学院,北京100083;北京科技大学顺德研究生院,佛山528399;北京市大数据中心,北京100101;电子科技大学通信与信息工程学院,成都611731
文献出处：
引用格式：
[1]李学翰;胡四泉;石志国;张明-.基于S-LRCN的微表情识别算法)[J].工程科学学报,2022(01):104-113
A类：
LRCN,循环卷积网络,长期递归卷积网络
B类：
微表情识别,识别算法,少时,时间信息,空间特征,时间特征,特征融合,图像分类,细节分析,分离式,Separate,long,term,recurrent,convolutional,networks,微表情数据集,面部图像,图像序列,迁移学习,预训练,卷积神经网络模型,网络训练,过拟合,视频序列,提取特征,长短期记忆网络,Long,short,team,memory,时域特征,立学,辅助教学,时空特征
AB值：
0.345829
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。
