• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Joint Conference on Neural Networks >Deep Learning for Illumination Invariant Facial Expression Recognition
【24h】

Deep Learning for Illumination Invariant Facial Expression Recognition

机译：深度学习的照明不变面部表情识别

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this work we propose a novel method to address illumination invariance for facial expression recognition. We propose a Deep Convolutional Network (CNN) pre-trained as a Deep Stacked Convolutional Autoencoder (SCAE) in a greedy layer-wise unsupervised fashion. The SCAE model learns to encode facial expression images and produce a feature vector with relatively similar illumination, regardless of the luminance level of the input image. Moreover, we propose fine-tuning the stacked shallow autoencoders after each one of these is trained greedily, rather than just at the end, and show that this approach significantly improves the set of illumination invariant features learnt by the SCAE. Finally, we propose the use of a variant rectifier linear unit transfer function that helps the SCAE model reduce or increase the illumination of images with high or low luminance, and show that the lower and upper bounds greatly influence classification performance. The method proposed provides an increase in classification accuracy of 4% on the KDEF dataset and 8% on the CK+ dataset.
机译：在这项工作中，我们提出了一种新颖的方法来解决面部表情识别的光照不变性。我们提出了一种深度卷积网络（CNN），以贪婪的分层无监督方式进行了预训练，作为深度堆叠卷积自动编码器（SCAE）。无论输入图像的亮度水平如何，SCAE模型都学会对面部表情图像进行编码并产生具有相对相似照明的特征向量。此外，我们建议在对每个浅层自动编码器进行贪婪训练后，而不是仅仅在结束时进行微调，并表明该方法显着改善了SCAE学习的照明不变特征集。最后，我们建议使用变型整流器线性单位传递函数，该函数可帮助SCAE模型减少或增加具有高或低亮度的图像的照度，并表明上下限会极大地影响分类性能。提出的方法在KDEF数据集上的分类准确度提高了4％，在CK +数据集上的分类准确度提高了8％。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号