ECCV2016论文 Peak-piloted deep network for facial expression Recognition 解析

最新推荐文章于 2021-04-04 17:48:16 发布

原创

最新推荐文章于 2021-04-04 17:48:16 发布 · 1.9k 阅读

3 ·

CC 4.0 BY-SA版权

本文深入解析了ECCV2016提出的Peak-piloted Deep Network（PPDN）在面部表情识别中的应用。该方法通过建立non-peak图像与peak图像之间的映射，有效提升了non-peak表情的识别准确性，并提出了优化的反向传播算法PGS，以解决中间表情识别难题。实验在GoogLeNet基础上进行，采用L2正则化和交叉熵损失函数，展示了在CK+和Oulu-CASIA表情库上的优秀表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、主要贡献
提出了一种基于peak-piloted的表情识别新方案（PPDN：peak-piloted deep network），通过建立non-peak图像和peak图像的映射关系，提高了non-peak 图像表情识别的准确率，解决了中间表情（non-peak 图像表情）难以识别的问题；针对PPDN，提出了一种更有效的反向传播算法PGS（PGS：peak gradient suppression）。
2、实现过程
这里写图片描述
a、输入：同一表情的两幅128x128的图像，一幅为peak expression, 一幅为non-peak expression；
b、卷积神经网络选用GoogLeNet，GoogLeNet在人脸识别数据库CASIA Webface dataset上预训练（epochs：60; 学习率：0.01），预训练参数作为GoogLeNet卷积层的初始化参数（学习率：0.0001），GoogLeNet 全连接层采用xaiver初始化（学习率：0.000001）；
c、使用L2正则化，建立Non-Peak expression 到Peak expression 的映射关系；
d、损失函数为交叉熵，输出为两个输入图像可能表情的概率。
3、结论