深度学习驱动的小样本表情识别模型融合策略

本文主要探讨了在深度学习背景下，针对小样本表情识别问题的一种创新策略。研究者林克正、白婧轩、李昊天和李骜来自哈尔滨理工大学计算机科学与技术学院，他们的工作受到了黑龙江省自然科学基金等多个项目的资助，如YQ2019F011、UNPYSCT-2018203以及LGYC-2018JQ013。 文章的核心贡献在于提出了一种深度学习融合不同模型的方法，特别针对小样本场景。首先，他们对单个卷积神经网络（CNN）模型进行了深入分析，通过调整dropout层的节点保留概率p，筛选出那些在小样本情况下表现更优的CNN模型。这种方法旨在提高模型的泛化能力，尤其是在数据匮乏的情况下。 接下来，他们采用了尺度不变特征变换（SIFT）算法来提取表情图像的特征。SIFT被选择是因为它能够有效地处理小样本数据，增强模型的鲁棒性，减少由于数据量不足导致的性能下降。然后，通过将这些经过SIFT特征提取后的模型进行汇总，研究人员运用简单平均模型融合的方法，创建了名为CNN-SIFT-AVG的综合模型。这种融合策略有助于降低模型间的误差，防止过拟合现象。 最后，实验部分展示了这个模型在FER2013、CK+和JAFFE这三个常用的表情识别数据集上的性能。结果显示，该模型显著提升了小样本表情识别的准确率，相较于其他方法，最高达到了约6%的准确率提升。这表明，该方法对于实际应用中的小样本表情识别具有显著的优势。 这篇论文不仅介绍了深度学习在小样本表情识别中的应用，还提供了一种有效的方法来优化模型性能，特别是在数据稀缺的情况下。这对于人工智能领域，尤其是人脸识别和情感分析的研究者来说，是一篇值得深入研究和借鉴的论文。