摘要
卷积神经网络对于静态局部结构有很强的抽象表达能力,循环神经网络能够从动态变化的序列数据中学习到时间上的关联性。如果将卷积神经网络和循环神经网络的优点进行结合,设计一种CNN-RNN的融合网络,那么在处理图像序列时,融合网络应能够提取更合适的特征表示,达到更好的识别效果。基于tensorflow深度学习框架,尝试多种可能的CNN-RNN融合框架,并使用CK+表情数据集进行测试,结果表明CNN-RNN框架能够有效地提取表情序列的特征,分类效果比CNN有明显的提升。
-
单位上海健康医学院; 上海大学