34、高效快速的表情识别与自主智能体在球面上的集体行为研究

高效快速的表情识别与自主智能体在球面上的集体行为研究

高效快速的表情识别

研究背景与动机

随着神经网络的快速发展，卷积神经网络（CNN）在分类、识别和检测领域，尤其是处理大型图像数据集时，展现出了强大的能力。CNN 拥有数千个共享参数，能够拟合大量复杂的训练样本，并将有用的特征提取到特征图中。它可应用于诸多识别问题，如面部检测、识别和姿态估计等。然而，深度 CNN 需要大量的表情数据进行训练，否则容易出现过拟合问题。而且，随着网络深度的增加，训练时间会因不断调整参数而显著增加，同时过多的层也容易导致性能退化。

极限学习机（ELM）是一种用于单隐层前馈网络（SLFNs）的高效学习方法，与基于梯度调整的学习方法（如反向传播）相比，具有更好的泛化性能，同时能大幅提高学习速度。不过，由于输入和目标固定，ELM 难以扩展到深度神经网络，并且缺乏学习复杂特征的能力。

改进的 CNN - ELM 网络

为了解决上述问题，研究提出了一种改进的深度卷积神经网络，将 ELM 的优势与面部表情识别相结合。该网络的卷积部分经过调整，更适合识别面部表情数据集，而原始的全连接层则通过 ELM 算法进行优化。这样不仅可以充分提取高级特征，还能提高计算速度和泛化能力。

方法流程

在进行正式的面部表情识别训练之前，使用迁移学习来更好地学习面部情感特征。在正式训练过程中，图片可以自动读取特征，无需手动标记关键点。CNN - ELM 不仅能够很好地学习面部表情，还能准确地对表情进行分类。其流程如下：

graph LR
    A[迁移学习] --> B[正式