深度信念网络与多层感知器融合提升人脸表情识别性能

本文主要探讨了一种结合深度信念网络（Deep Belief Network, DBN）与多层感知器（Multi-layer Perceptron, MLP）的人脸表情识别方法，发表在《小型微型计算机系统》杂志2015年第7期，vol.36, No.7。研究者施徐敢、张石清和赵小明针对深度学习理论中的DBN在无监督特征学习方面的优势，提出了一种创新策略，旨在提升人脸表情识别的性能。 DBN作为深度学习的典型代表，其核心在于通过层次结构的非线性特征提取，能自动学习到数据的高级抽象表示，但缺乏直接的分类能力。为了弥补这一不足，研究团队将DBN的输出作为多层感知器的初始权重，利用MLP的分类能力对学习到的特征进行进一步处理。这种方法的主要步骤包括：首先，使用DBN对原始人脸表情图像进行无监督学习，提取出深层次的特征表示；其次，这些高级特征被用于初始化MLP模型的隐层网络权重；最后，通过优化后的MLP进行人脸表情的精确分类。 实验结果显示，在JAFFE数据库上，该融合模型实现了显著的性能提升，达到了90.95%的人脸表情正确识别率，远高于传统的分类方法。这表明，这种结合DBN和MLP的方法对于人脸表情识别具有显著的优势，能够有效地改善识别精度和鲁棒性。 关键词方面，文章强调了深度信念网络、深度学习以及人脸表情识别这三个关键概念，表明了研究的焦点在于如何利用深度学习技术解决实际的人脸表情识别问题。这篇研究论文为深度学习在人脸识别领域的应用提供了一个新的视角和可能的解决方案，具有较高的学术价值和技术实用性。