基于KL散度在AffectNet面部表情数据库中针对误分类数据子模型再学习
神经与进化计算
2019-10-01 v1 计算机视觉与模式识别
摘要
AffectNet包含超过1,000,000张面部图像,这些图像人工标注了八种离散面部表情以及效价与唤醒的强度。DBN的自适应结构学习方法(自适应DBN)作为某些大型图像基准数据库分类能力顶尖的深度学习模型。卷积神经网络与自适应DBN针对AffectNet进行训练并比较了分类能力。自适应DBN展现出更高的分类率。然而,该模型未能正确分类部分测试用例,因为人类情感包含许多模糊特征或模式导致错误答案,其中包括因两个或更多标注者对同一图像给出不同主观判断而可能成为对抗样本因素的情形。为区分此类情况,本文研究了一种带两个或更多子模型的自适应DBN再学习模型,其中原始训练模型可视作父模型,随后针对部分误分类情形生成新子模型。此外,利用KL散度依据两模型间差异生成恰当的子模型。所生成的子模型在分类两类情绪‘厌恶’与‘愤怒’上表现出更优性能。
引用
@article{arxiv.1909.13481,
title = {Re-learning of Child Model for Misclassified data by using KL Divergence in AffectNet: A Database for Facial Expression},
author = {Takumi Ichimura and Shin Kamada},
journal= {arXiv preprint arXiv:1909.13481},
year = {2019}
}
备注
6 pages, 7 figures, IEEE 11th International Workshop on Computational Intelligence and Applications (IWCIA2019)