摘要：近红外人脸表情识别主要依赖图像局部特征,提取特征受到干扰时,人脸表情识别准确率低。因此,设计深度学习网络的新型近红外人脸表情识别方法。依托于图像局部优化保留法重建图像结构信息,得到降维后的近红外人脸图像。应用点分布模型检测出人脸上所有关键点,抽取出人脸表情识别的感兴趣区域,运用深度学习网络架构搭建人脸表情分类识别模型,通过调整识别模型的参数得到人脸表情的识别结果。实验结果表明:所提方法识别结果的Acc平均值达到了0.95,很大程度提升了近红外人脸表情识别准确性。

摘要：随着数字化技术和人工智能的发展,游客对博物馆的参观不再是单向式进行,而是游客与展品之间可以形成交互。实现双向交互的第一步就是读懂游客的表情,从而对游客当前的状态做出正确的判断和回应。对博物馆场景下游客表情识别进行研究,设计了基于时空注意力机制的人脸表情识别方法,从时间和空间两个维度,利用卷积神经网络(CNN)与长短时记忆网络(LSTM)共同提取人脸表情特征。同时,添加时空注意力机制,增强特征表达能力。基于实验结果,对应参观者六种不同的面部情感,准确识别率最高可达78%。在公开的RML视频情感数据集上的实验结果显示,识别方法取得64.63%的正确识别率,表明该识别方法能够有效提高表情识别率。

摘要：为了优化在人脸表情较模糊情况下的识别效果,并更好地获取表情的表征数据,设计一种多尺度注意力机制下的人脸表情识别方法。对人脸表情图像进行缩放与扩充预处理操作,从图像中提取人脸表情解耦表征皮沟数据,通过卷积神经网络对提取到的解耦表征皮沟数据进行特征捕捉。引入了多尺度注意力机制,有选择性地关注重要的表情特征。同时,利用多通道的表情识别方法,自适应地提取人脸组件区域内的表情信息,从而识别人脸表情。实验分析结果表明,所提方法在四类不同表情标签对应的人脸表情识别召回率始终高于对照组,均达到了98%以上,识别效果优势显著。

摘要：分析面部表情在医疗、教育、刑侦、交通以及人机交互等方面有很高的实用价值。设计了孪生对齐卷积神经网络模型,将面部图像左右分割后进行表情识别,达到了较为理想的识别准确率。FER2013和CK+数据集上的测试结果表明,准确率分别提高了0.9和0.6个百分点。实验结果说明,该模型在识别面部表情时是有效的。

摘要：为解决真实场景下人脸表情识别不确定性和数据不均衡问题,提出不确定性感知与类别均衡的表情识别模型.首先设计标签分布生成网络,以更好地体现人脸表情分布特性,并提出基于标签分布的重要性加权损失函数,使用重要性值对输出结果进行加权,促进模型对不确定性的抑制;然后使用距离约束损失函数,扩大不同重要性值分组之间的平均重要性值的差值,使用重标记模块,依据样本类别预测向量发现,纠正不确定性引起的噪声标签;最后为解决数据不均衡问题,提出基于标签分布的类别均衡损失函数,依据难易样本数量自适应地分配各个样本的权重,加强模型对难样本的学习.在RAF数据集中的实验结果表明,所提模型识别准确率达到88.36%,性能优于其他表情识别模型,证明了该模型的有效性.

摘要：深度人脸表情识别是神经网络应用于模式识别上一项极具挑战性的任务。相对于身份认证和特征点识别等人脸识别任务,表情识别任务中存在着大量的冗余信息,要得到好的效果,需要更精确的分类。多数研究关注点在数据的泛化性和网络结构上,而忽视了数据的类间关系。提出了一种基于类间分析的深度残差表情识别网络RMRnet。首先,将数据通过骨干网络Resnet18得到混淆矩阵,进一步得到召回率矩阵分析类间关系;然后,凭借类间关系设计网络结构分支,进一步区分强联系类,设计补充支路平衡弱联系类;最后,将分支添加到骨干网络的相应位置,得到RMRnet网络模型。在流行的大型数据库上,与基准方法和近年来的先进方法的对比实验结果表明,提出的方法相较于基准方法效果良好,在一众先进方法中也有很强的竞争力。

摘要：目的为了以更加客观的方式评估用户体验,拓展用户研究的途径,引入表情识别技术对已有用户研究方法进行优化与探索。方法以阅读APP为研究载体,以表情识别与卷积神经网络算法为技术手段,通过设计人机交互实验将其应用于用户研究过程中,建立用户面部表情与用户主观满意度的映射关系。结果针对阅读APP"X",开展了基于表情识别技术和传统问卷访谈的双向设计研究,并采用对比验证的方法得出了基于表情识别技术的用户满意度客观度量方法的有效性和可行性,进而挖掘了基于表情识别方法的用户研究优势。结论基于表情识别技术的用户研究方法在产品交互设计中具有一定的通用性。通过识别分析用户与产品进行人机交互时的面部表情动态变化,可以使用户体验评估更加客观并容易解读,准确定位产品交互体验问题,为设计领域中的用户研究和认识提供了新思路,同时也为表情识别技术与产品设计的交叉融合提供了理论和实践意义的参考。

摘要：面部表情能自然高效地表达人类的心理活动和思想状态,影响着人们的沟通交流过程。在诸多智能化应用中,人脸表情识别是人类与机器间建立情感交互的重要基础。在细粒度人脸表情识别任务中,由于特征提取网络对表情产生区域的关键特征处理不足,从而引发细节特征信息丢失问题。提出一种词频-逆文档频率注意力机制TF-IDF SPA,通过该机制调整表情产生关键区域的注意力分布,强化网络对该区域关键细节特征的提取能力。同时,为了应对表情识别任务中普遍存在的类间差异小、类内差异大的问题,设计一种改进型混合加权损失函数,以增强表情类内聚拢性同时增大类间距离。依据数据集中样本的数量分布情况,动态调整损失函数的分类权重值,从而强化模型对小数据量样本的学习能力。在此基础上,将结构简单的TF-IDF SPA模块与卷积层共同堆叠以构建人脸表情识别网络。实验结果表明,该网络具有较好的人脸表情识别性能,在FER2013和CK+数据集上的分类准确率分别达到73.52%和98.27%。

摘要：为实现表情准确且快速的识别,提出一种自适应重加权池化深度多任务学习(DMTL)的表情识别。设计孪生神经网络,通过自适应重加权模块动态调整缩放概率参数,得到具有不同置信度的类别标签信息。改进自适应池化方法,根据样本及训练过程变化情况选取合适参数,提高特征提取的灵活性。结合类别标签信息和样本局部空间分布信息,利用改进型判别式DMTL进行人脸表情识别。基于CK+、MMI和FER2013数据集对所提方法进行实验论证,实验结果表明,其识别率在3个数据集上的识别率分别是95.2%、84.1%和73.6%,执行时间为0.082 s,均优于其它对比方法。

摘要：针对当前卷积神经网络(CNN)利用端层特征进行面部表情识别存在模型结构繁琐、训练参数过多、识别不够理想的问题,提出一种基于改进CNN与支持向量机(SVM)相结合的优化算法。首先,利用连续卷积的思想设计网络模型,以获取更多非线性激活;然后,采用自适应全局平均池化(GAP)层取代传统CNN中的全连接层,以减少网络参数量;最后,用SVM分类器代替传统Softmax函数实现表情识别,以提高模型泛化能力。实验结果表明,所提算法在Fer2013和CK+数据集上分别取得了73.4%和98.06%的识别准确率,与传统LeNet-5算法相比,在Fer2013数据集上提升了2.2个百分点,且该网络模型结构简单、参数量较少,具有良好的鲁棒性。