科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于稠密网络(DenseNet)模型具有独特的特征提取和传输方式，使其面对小数据集时在缓解网络过拟合的同时，可以取得不错的分类效果。但是传统的DenseNet模型具有较深的网络结构，可能造成特征冗余和硬件内存的负担。针对该问题，研究了一种相对浅层的稠密网络，通过压缩稠密网络的深度并增加每个模块中卷积核的数量来高效提取表情图像的隐性特征。考虑到该稠密网络在提取特征时也舍弃了部分图像信息以及单一特征可能难以表达人脸表情图像的全部信息，利用LDN(Local Directional Number Pattern, LDN)算法提取表情图像的梯度方向纹理信息，与稠密网络提取的隐式特征进行特征融合，共同进入Softmax层进行表情分类。该算法在CK+和Jaffe数据集上进行仿真实验，获得了不错的识别率，在一定程度上证实了算法的有效性。
- 单位
