科研之友
微信
新浪微博
Facebook
分享链接
摘要
卷积神经网络(CNN)能够通过神经网络自主学习提取图像中的特征,并且具有局部响应、权值共享等优点,在人脸表情识别中获得了广泛的应用。池化算法是CNN的核心技术之一,通过对卷积层的特征进行聚合统计,池化算法可以减少CNN的特征维度,提高特征表征能力,但是目前常用的池化算法还存在提取特征单一,缺乏灵活性的情况。为了克服现有池化算法的不足,根据深度学习可采用BP算法自主调节参数的特性,提出一种改进的自适应池化算法。该算法在训练过程中能够根据损失函数,不断更新池化域的参数,最终使表情预测值和真实结果值之间的差值达到最小。基于CK+人脸表情数据库的实验结果表明,与现有池化算法相比,提出的自适应池化算法能有效提高表情识别准确率。
-
单位南京邮电大学; 通信与信息工程学院
