88、疼痛强度估计的转移热数据表示与移动机器人目标实例识别

疼痛强度估计的转移热数据表示与移动机器人目标实例识别

疼痛强度估计的转移热数据表示

在疼痛强度估计的研究中，为了提高算法的鲁棒性，研究人员采用了一系列创新方法。

非疼痛数据库的引入

由于 UNBC 数据库中可用的人员数量有限，研究人员将非特定疼痛数据库（Cohn - Kanade 数据库）的示例添加到学习数据中。Cohn - Kanade 数据库包含来自 97 人的 486 个序列，每个序列从中性表情开始，到峰值表情结束，且峰值表情在 FACS 系统中编码并带有情感标签。

地标定位与感兴趣区域

UNBC - McMaster 数据库提供了一组通过 AAM 跟踪器提取的 66 个人脸地标，而 Cohn - Kanade 数据库则是手动标注的。研究人员仅考虑每个数据库中给定集合的 22 个地标来表示与疼痛相关的动作单元（AUs）的特异性。基于这 22 个地标，选择了 5 个感兴趣区域，认为它们可能携带用于疼痛强度估计的有用数据。为了应对头部姿势的变化，首先对图像进行了大致归一化，确保眼睛水平且眼间距始终相同（即 50）。

迁移学习

所提出系统的目标数据库 UNBC 虽然帧数很多，但人员数量有限（仅 25 人）且人员间相似度较低。为了提高算法的鲁棒性，提出了一种新的迁移学习机制。该机制受到“自学学习”范式的启发，使用源数据库（未标记数据）来学习底层数据结构，以增强对目标数据库标记数据的分类。具体来说，通过解决以下优化问题来学习数据结构：
[
\min_{b,a} \sum_{i} \left[ \left\lVert x_{u}^{(i)} - \sum_{j} a_{j}^