31、基于深度学习的自信度量方法

基于深度学习的自信度量方法

一、相关研究回顾

人类大脑通过将概念组织成层次结构并使用多层抽象来学习和描述概念。在这个过程中，信息通过视觉、嗅觉、触觉、听觉和味觉这五种感官获取，并以各种方式进行转换和表示。这种人类大脑的工作方式启发了人工神经网络（ANN）的发展。受大脑结构深度的启发，神经网络研究人员一直希望训练深度多层神经网络，而真正的突破出现在2006年。对于具有少量隐藏层的浅层网络，实验结果很有成效。深度学习扩展了人工智能的视野，还在音频信号处理、医疗保健和图像处理等领域有应用。

深度学习中的深度信念网络（DBNs）由Hinton等人提出，其学习算法是逐层贪婪训练，每层采用无监督学习的受限玻尔兹曼机（RBM）。卷积神经网络（CNN）是有监督深度神经网络的一种变体，有多种应用。相关研究工作还包括：
- Simonyan等人研究了CNN深度对大规模图像识别准确性的影响，发现表示深度对分类准确性有益。
- Chatfield等人评估了各种CNN技术，探索不同的深度架构，并在共同基础上进行比较，揭示重要的实现细节。
- 有研究探讨了使用OpenCV和Python进行人脸检测和识别的理想方法。
- 还有研究讨论了对更复杂系统进行预测值的方法，但在数据表示不均衡时会出现分类问题。
- 部分文章处理了单张人脸图像的面部表情识别（FER）问题。
- Alizadeh等人提出了一种基于CNN的方法，由多个不同结构的子网组成。
- Raja Sekaran等人提出使用预训练的AlexNet架构进行迁移学习来进行面部表情识别。
- Long等人提出了两种面部情感识别方法，一种基于图像视觉特征，另一种基于脑电图（EEG）信号。