A13-TOP期刊新论文榜
论文动态
最新论文
您现在的位置: 首页 > 论文动态 > 最新论文 > 正文
陈略峰, 吴敏*等 自动化学院 Information Sciences, 2018. Softmax Regression Based Deep Sparse Autoencoder Network for Facial Emotion Recognition in Human-Robot Interaction
发布时间:2018-01-11 16:31:25

近日,我校自动化学院复杂系统先进控制与智能自动化湖北省重点实验室情感计算团队,有关“基于深度学习的情感识别与理解”研究成果发表在计算智能领域国际重要期刊《Information Sciences》上。该文第一作者为自动化学院陈略峰老师,通讯作者为自动化学院吴敏教授。

随着人机交互、情感计算等理论与技术的高速发展,人们普遍希望机器人具有识别、理解和生成人类情感的能力,从而实现和谐、友好、顺畅的人机交流。人脸表情识别是情感计算领域的关键技术,将人脸表情识别嵌入人机交互系统,可使机器更好地理解人类情感,建立人性化的交互模式。

人脸表情识别由人脸检测与分割、表情特征提取、人脸表情分类三部分组成。其中,人脸表情特征分析与人脸表情分类算法是人脸表情算法的关键。然而己有的一些机器学习算法对人脸表情特征进行训练与识别的过程中往往容易产生局部最优与梯度弥散等问题,因此更具鉴别力的人脸特征选择以及具有良好分类能力的分类器设计是提高人脸情感识别率的关键。

自动化学院复杂系统先进控制与智能自动化湖北省重点实验室情感计算团队以情感机器人为研究对象,采用深度学习的框架,提出一种基于深度稀疏自编码网络的人脸情感识别方法。首先在受限玻尔兹曼机进行逐层贪婪预训练得到网络的初始权重矩阵,之后在模型顶端搭建Softmax分类器并对其进行训练,最后将整个网络视为一个模型,使用反向传播算法与梯度下降法对网络权值进行微调从而达到全局最优。该方法通过采用分层处理的方式训练数据,每一层都能提取到数据不同层次的特征,从而逐层建立从底层到高层信号的特征映射,引入稀疏性参数,即减少神经元节点个数情况下,可以学习到数据的压缩表示,有效提高了训练速率;通过反向传播算法与梯度下降法对网络权值进行微调从而达到全局最优,使整个深度神经网络更具有鲁棒性,能够克服训练过程中局部极值与梯度弥散问题,以此提高人脸情感识别性能。

 

论文信息:

Title: Softmax regression based deep sparse autoencoder network for facial emotion recognition in human-robot interaction

Author(s): Chen, LF (Chen, Luefeng); Zhou, MT (Zhou, Mengtian); Su, WJ (Su, Wanjuan); Wu, M (Wu, Min); She, JH (She, Jinhua); Hirota, K (Hirota, Kaoru)

Source: INFORMATION SCIENCES, Volume: 428  Pages: 49-61  

DOI: 10.1016/j.ins.2017.10.044  

Published: FEB 2018

全文链接:https://doi.org/10.1016/j.ins.2017.10.044

 

上一篇:万灵,王涛*. 数理学院 Nonlinear Analysis: Real World Applications, FEB 2018. Asymptotic behavio...
下一篇:郭会荣* 等 环境学院 INTERNATIONAL JOURNAL OF HEAT AND MASS TRANSFER, FEB 2018. Soret effect on th...
中国地质大学(武汉)Top期刊论文管理网