豐富的長(zhǎng)期經(jīng)常性卷積網(wǎng)絡(luò).docx
約17頁(yè)DOCX格式手機(jī)打開展開
豐富的長(zhǎng)期經(jīng)常性卷積網(wǎng)絡(luò),面部微觀表情(me)的識(shí)別對(duì)于研究人員在運(yùn)動(dòng)和有限數(shù)據(jù)庫(kù)中的細(xì)微處理造成巨大挑戰(zhàn)。 最近,人工技術(shù)已經(jīng)在微型表達(dá)識(shí)別中取得了優(yōu)異的性能,但是以區(qū)域特異性和繁瑣的參數(shù)調(diào)諧為代價(jià)。 在本文中,我們提出了一個(gè)豐富的長(zhǎng)期遞歸卷積網(wǎng)絡(luò)(elrcn),首先通過(guò)cnn模塊將每個(gè)微表情幀編碼成特征向量,然后通過(guò)將特征向量通過(guò)一個(gè)長(zhǎng)-短...


內(nèi)容介紹
此文檔由會(huì)員 qw-ntldha 發(fā)布
面部微觀表情(ME)的識(shí)別對(duì)于研究人員在運(yùn)動(dòng)和有限數(shù)據(jù)庫(kù)中的細(xì)微處理造成巨大挑戰(zhàn)。 最近,人工技術(shù)已經(jīng)在微型表達(dá)識(shí)別中取得了優(yōu)異的性能,但是以區(qū)域特異性和繁瑣的參數(shù)調(diào)諧為代價(jià)。 在本文中,我們提出了一個(gè)豐富的長(zhǎng)期遞歸卷積網(wǎng)絡(luò)(ELRCN),首先通過(guò)CNN模塊將每個(gè)微表情幀編碼成特征向量,然后通過(guò)將特征向量通過(guò)一個(gè)長(zhǎng)-短期記憶(LSTM)模塊。 該框架包含兩種不同的網(wǎng)絡(luò)變體