基于迁移学习的新生儿疼痛表情识别
计算机视觉与模式识别
2018-07-05 v1
摘要
使用预训练卷积神经网络（CNN）的迁移学习已成功应用于多种分类任务的图像处理。本文提出一种利用迁移学习进行新生儿疼痛表情识别的新流程。具体而言，我们提出利用在相对相似的人脸识别数据集（VGG Face）上预训练的CNN，以及在相对不同的图像分类数据集（iVGG F、M和S）上预训练的CNN，从新生儿面部提取深度特征。在最后阶段，训练若干有监督机器学习分类器，将新生儿面部表情分类为疼痛或无疼痛表情。所提流程在测试数据集上取得了0.841的AUC和90.34的准确率，较手工传统特征的准确率高出约7%。我们还提出将深度特征与传统特征相结合，并假设混合特征能提升疼痛分类性能。深度特征与传统特征结合取得了92.71的准确率和0.948的AUC。这些结果表明，迁移学习作为一种比从头训练CNN更快、更实用的方案，可用于提取新生儿疼痛表情识别的有用特征；同时也表明，将深度特征与手工传统特征结合是提升疼痛表情识别及类似应用性能的良好实践。
引用
@article{arxiv.1807.01631,
title = {Neonatal Pain Expression Recognition Using Transfer Learning},
author = {Ghada Zamzmi and Dmitry Goldgof and Rangachar Kasturi and Yu Sun},
journal= {arXiv preprint arXiv:1807.01631},
year = {2018}
}