基于深度学习的情绪识别技术
发布时间：2021-07-15 19:54
情绪识别是机器感知人类、培养情商的重要方法,在计算机视觉领域也是一个热门的研究方向。在人工智能高速发展的今天,实现人工智能的最终目标,是让机器可以模拟出和人类相类似的的意识和思维,可以像人类一样智能化的做出反应。这就要求机器不仅拥有人类的智商,也要拥有人类的情商。情绪识别是机器感知人类、培养情商的重要方法,目前,人工智能情绪识别离开人类的干预,对复杂的情感的理解和表达能力,依然面临着困境。人类的情感状态极其丰富,对于机器而言,它需要理解各种情绪对应的各种信号,才能真正的读懂情绪。事实上,人类的表情与动作往往携带着比语言更为丰富的情感信息,因此,在计算机视觉领域,情绪识别是一个重点研究课题。在该领域,大多数识别人类情绪的方法是在分析面部表情的背景下进行的,而现实生活中人们往往喜欢掩饰自己的真实情绪,但肢体语言却很难掩饰,能传达出更为细致、真实的情绪状态。本文,针对以往情绪识别集中在人脸,我们提出从人脸、姿态、语境三方面获取更全面的信息。利用深度学习的方法,设计出更加轻量化的网络结构DenseXception,降低参数量,节省计算资源。不仅有应用上的创新,还有算法上的提升。并且对Emoti...
【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图片示例
第2章情绪识别方法概述图2.2卷积示意图图2.3最大池化过程这样可使输出特征图的尺寸与输入特征图的尺寸一致；4.通道（Channel）：卷积层的通道数（层数）。卷积过程如图2.2所示：示例中卷积核为2×2、步长为2、无填充的二维卷积。卷积运算有三个主要好处：1.获取图像的局部相关性，可以学习同一张特征图相邻像素之间的相关性；3.同一物体不同位置的平移不变性；2.在同一个特征图中权值共享，这样大大削减了需学习的参数的数量。池化层在卷积层之后，由于卷积操作之后，我们得到了一张张有着不同值的特征图，由于数据量过于庞大。池化操作就是用于减少特征图的空间大小和网络的计算成本，而且使网络不容易过拟合，可以降低计算复杂度，有利于增强神经网络的鲁棒性，并且。平均池（averagepooling）和最大池化（maxpooling）是平移不变性中最常用的两种非线性下采样策略。最大池化就是取最大值，平均池化就是对指定区域像素值取平均值，也就等同于说输入图像的像素在不同方向上产生小的位移，经过池化操作后，网络提取到的特征保持不变。例如最大池化：选择池化尺寸为22，选定一个22的窗口，在其内选出最大值更新进新的特征图，同样向右依据步长滑动窗口。具体操作如图2.3。全连接层通常是在网络的最后一层，以确保上层的每一个神经元与下一层的每个节点都有连接，使二维特征映射转换为一维特征映射，进行进一步的特征表示和分类。也就是说，全连接层之前所以层的作用是提取特征，全连接层的作用是分类。2.4损失函数损失函数（Lossfunction）用来评估模型的预测值与真实值之间的差距程度。一个模型的损失函数的值越小，就代表该网络模型的鲁棒性越好。常见的损失函数如下。11
第2章情绪识别方法概述图2.2卷积示意图图2.3最大池化过程这样可使输出特征图的尺寸与输入特征图的尺寸一致；4.通道（Channel）：卷积层的通道数（层数）。卷积过程如图2.2所示：示例中卷积核为2×2、步长为2、无填充的二维卷积。卷积运算有三个主要好处：1.获取图像的局部相关性，可以学习同一张特征图相邻像素之间的相关性；3.同一物体不同位置的平移不变性；2.在同一个特征图中权值共享，这样大大削减了需学习的参数的数量。池化层在卷积层之后，由于卷积操作之后，我们得到了一张张有着不同值的特征图，由于数据量过于庞大。池化操作就是用于减少特征图的空间大小和网络的计算成本，而且使网络不容易过拟合，可以降低计算复杂度，有利于增强神经网络的鲁棒性，并且。平均池（averagepooling）和最大池化（maxpooling）是平移不变性中最常用的两种非线性下采样策略。最大池化就是取最大值，平均池化就是对指定区域像素值取平均值，也就等同于说输入图像的像素在不同方向上产生小的位移，经过池化操作后，网络提取到的特征保持不变。例如最大池化：选择池化尺寸为22，选定一个22的窗口，在其内选出最大值更新进新的特征图，同样向右依据步长滑动窗口。具体操作如图2.3。全连接层通常是在网络的最后一层，以确保上层的每一个神经元与下一层的每个节点都有连接，使二维特征映射转换为一维特征映射，进行进一步的特征表示和分类。也就是说，全连接层之前所以层的作用是提取特征，全连接层的作用是分类。2.4损失函数损失函数（Lossfunction）用来评估模型的预测值与真实值之间的差距程度。一个模型的损失函数的值越小，就代表该网络模型的鲁棒性越好。常见的损失函数如下。11
【参考文献】：
期刊论文
[1]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[2]情感识别综述[J]. 潘莹. 电脑知识与技术. 2018(08)
硕士论文
[1]基于卷积神经网络的核素识别算法的研究[D]. 梁菲惜.成都理工大学 2019
[2]基于深度降噪自编码的波形聚类方法研究[D]. 甘宇.成都理工大学 2019
[3]基于深度学习的行人重识别研究[D]. 孟根强.西安电子科技大学 2019
[4]基于密集胶囊网络的多视角人脸表情识别[D]. 韩雨.华中科技大学 2019
本文编号：3286358
【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图片示例
第2章情绪识别方法概述图2.2卷积示意图图2.3最大池化过程这样可使输出特征图的尺寸与输入特征图的尺寸一致；4.通道（Channel）：卷积层的通道数（层数）。卷积过程如图2.2所示：示例中卷积核为2×2、步长为2、无填充的二维卷积。卷积运算有三个主要好处：1.获取图像的局部相关性，可以学习同一张特征图相邻像素之间的相关性；3.同一物体不同位置的平移不变性；2.在同一个特征图中权值共享，这样大大削减了需学习的参数的数量。池化层在卷积层之后，由于卷积操作之后，我们得到了一张张有着不同值的特征图，由于数据量过于庞大。池化操作就是用于减少特征图的空间大小和网络的计算成本，而且使网络不容易过拟合，可以降低计算复杂度，有利于增强神经网络的鲁棒性，并且。平均池（averagepooling）和最大池化（maxpooling）是平移不变性中最常用的两种非线性下采样策略。最大池化就是取最大值，平均池化就是对指定区域像素值取平均值，也就等同于说输入图像的像素在不同方向上产生小的位移，经过池化操作后，网络提取到的特征保持不变。例如最大池化：选择池化尺寸为22，选定一个22的窗口，在其内选出最大值更新进新的特征图，同样向右依据步长滑动窗口。具体操作如图2.3。全连接层通常是在网络的最后一层，以确保上层的每一个神经元与下一层的每个节点都有连接，使二维特征映射转换为一维特征映射，进行进一步的特征表示和分类。也就是说，全连接层之前所以层的作用是提取特征，全连接层的作用是分类。2.4损失函数损失函数（Lossfunction）用来评估模型的预测值与真实值之间的差距程度。一个模型的损失函数的值越小，就代表该网络模型的鲁棒性越好。常见的损失函数如下。11
第2章情绪识别方法概述图2.2卷积示意图图2.3最大池化过程这样可使输出特征图的尺寸与输入特征图的尺寸一致；4.通道（Channel）：卷积层的通道数（层数）。卷积过程如图2.2所示：示例中卷积核为2×2、步长为2、无填充的二维卷积。卷积运算有三个主要好处：1.获取图像的局部相关性，可以学习同一张特征图相邻像素之间的相关性；3.同一物体不同位置的平移不变性；2.在同一个特征图中权值共享，这样大大削减了需学习的参数的数量。池化层在卷积层之后，由于卷积操作之后，我们得到了一张张有着不同值的特征图，由于数据量过于庞大。池化操作就是用于减少特征图的空间大小和网络的计算成本，而且使网络不容易过拟合，可以降低计算复杂度，有利于增强神经网络的鲁棒性，并且。平均池（averagepooling）和最大池化（maxpooling）是平移不变性中最常用的两种非线性下采样策略。最大池化就是取最大值，平均池化就是对指定区域像素值取平均值，也就等同于说输入图像的像素在不同方向上产生小的位移，经过池化操作后，网络提取到的特征保持不变。例如最大池化：选择池化尺寸为22，选定一个22的窗口，在其内选出最大值更新进新的特征图，同样向右依据步长滑动窗口。具体操作如图2.3。全连接层通常是在网络的最后一层，以确保上层的每一个神经元与下一层的每个节点都有连接，使二维特征映射转换为一维特征映射，进行进一步的特征表示和分类。也就是说，全连接层之前所以层的作用是提取特征，全连接层的作用是分类。2.4损失函数损失函数（Lossfunction）用来评估模型的预测值与真实值之间的差距程度。一个模型的损失函数的值越小，就代表该网络模型的鲁棒性越好。常见的损失函数如下。11
【参考文献】：
期刊论文
[1]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[2]情感识别综述[J]. 潘莹. 电脑知识与技术. 2018(08)
硕士论文
[1]基于卷积神经网络的核素识别算法的研究[D]. 梁菲惜.成都理工大学 2019
[2]基于深度降噪自编码的波形聚类方法研究[D]. 甘宇.成都理工大学 2019
[3]基于深度学习的行人重识别研究[D]. 孟根强.西安电子科技大学 2019
[4]基于密集胶囊网络的多视角人脸表情识别[D]. 韩雨.华中科技大学 2019
本文编号：3286358
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3286358.html
