16、基于混合CNN - SIFT聚合器的面部表情识别与视觉词边界检测

基于混合CNN - SIFT聚合器的面部表情识别与视觉词边界检测

面部表情识别相关研究

自动面部表情识别（FER）在计算机视觉领域一直是一个活跃的研究方向。过去有许多相关的研究工作，下面为你详细介绍：
- 传统特征提取与CNN应用 ：早期有研究使用手工特征提取器进行面部表情和情感识别。同时，卷积神经网络也被广泛应用于面部表情识别中。例如，有研究分析了神经网络学习到的特征，表明其能从面部图像中学习到与面部动作单元（FAUs）相对应的模式，通过忽略卷积层的偏差，在CK + 数据集上达到了98.3%的准确率。FER - 2013挑战赛的获胜者使用了CNN层后接线性一对多SVM的方法，通过最小化基于边界的损失（标准铰链损失），在私有测试中取得了71.2%的准确率。还有研究通过在两个普通卷积层后构建四个Inception层来应用更深的神经网络。
- 集成方法与特征融合 ：近年来，集成方法如Bagging或Boosting也被应用于面部表情识别。一些流行的方法使用CNN分析视频，并部署深度信念网络来捕获音频信息，然后将表现最好的模型融合为单个预测器。也有通过最小化铰链损失，使用可学习的权重组合多个CNN模型。EmotiW2015的获胜者训练了多个CNN作为委员会成员，并通过构建具有指数加权决策融合的委员会分层架构来组合它们的决策。此外，还有研究从面部地标提取固定数量的SIFT特征，并将其作为输入传递给CNN；也有将密集SIFT、LBP和从AlexNet提取的CNN特征进行混合，通过线性SVM和偏最小二乘回归进行训练，并使用融合网络组合所有分类器的输出。

预处理步骤

为了提高模型的性能，需要对图