一种结合极限学习机的增强型卷积神经网络新方法：心理学实践中的面部情绪识别
计算机视觉与模式识别
2022-08-08 v1 机器学习
神经与进化计算
摘要
面部情绪识别是识别心理学用于诊断患者的基本工具之一。人脸与面部情绪识别是机器学习表现出色的领域。由于光照条件、姿态变化、偏航运动与遮挡等不同环境，非受限环境下的面部情绪识别是数字图像处理的一个开放性挑战。深度学习方法已在图像识别中展现出显著改进。然而，准确率与耗时仍待提升。本研究旨在利用改进的、由极限学习机增强的卷积神经网络（CNNEELM）提高训练阶段的面部情绪识别准确率并减少处理时间。该系统借助（CNNEELM）提升训练阶段图像配准的准确率。此外，该系统利用所提 CNNEELM 模型识别高兴、悲伤、厌恶、恐惧、惊讶与中性六种面部情绪。研究表明，采用改进的随机梯度下降（SGD）技术，整体面部情绪识别准确率比最先进（state-of-the-art）方案提高了 2%。借助极限学习机（ELM）分类器，处理时间从 113ms 降至 65ms，可平滑地对 20fps 视频片段的每一帧进行分类。利用预训练的 InceptionV3 模型，所提 CNNEELM 模型在 JAFFE、CK+ 与 FER2013 表情数据集上完成训练。仿真结果显示准确率与处理时间均有显著改善，使该模型适用于视频分析过程。此外，本研究解决了处理面部图像所需处理时间过长的问题。
引用
@article{arxiv.2208.02953,
title = {A Novel Enhanced Convolution Neural Network with Extreme Learning Machine: Facial Emotional Recognition in Psychology Practices},
author = {Nitesh Banskota and Abeer Alsadoon and P. W. C. Prasad and Ahmed Dawoud and Tarik A. Rashid and Omar Hisham Alsadoon},
journal= {arXiv preprint arXiv:2208.02953},
year = {2022}
}
备注
19 pages