买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京邮电大学

摘要：本发明公开了一种基于域自适应的微表情识别方法，该方法包括以下步骤：将普通表情域作为源域，微表情域作为目标域，对普通表情和微表情图像进行预处理，建立源域和目标域样本集；构建包含特征学习模块、分类器和域判别器的对抗网络；在每个批次对对抗网络的训练中，用源域样本训练特征学习模块、分类器和域判别器，用目标域样本训练特征学习模块和域判别器，通过对抗学习使得源域和目标域样本的特征分布差异最小化，实现域的自适应；利用训练好的特征学习模块和分类器构建微表情识别模型，对输入的图像进行微表情识别。本发明利用现有普通表情样本去辅助微表情识别，以解决微表情训练样本数量不足的问题，提高微表情识别的准确率和鲁棒性。

主权项：1.一种基于域自适应的微表情识别方法，其特征在于，该方法包含以下步骤：S1：将普通表情域作为源域，微表情域作为目标域，对普通表情和微表情图像进行预处理，建立源域和目标域样本集；S2：构建包含特征学习模块、分类器和域判别器的对抗网络；S3：在每个批次对对抗网络的训练中，用源域样本训练特征学习模块、分类器和域判别器，用目标域样本训练特征学习模块和域判别器，通过对抗学习使得源域和目标域样本的特征分布差异最小化，实现域的自适应；S4：利用训练好的特征学习模块和分类器构建微表情识别模型，对输入的图像进行微表情识别；所述步骤S3包含以下子步骤：3.1用源域样本训练特征学习模块、域判别器和分类器；将源域样本输入到特征学习模块，得到特征向量将特征向量fs输入到分类器，利用梯度下降算法使分类器的交叉熵损失最小化，使得分类器能够对样本进行表情分类；将特征向量fs输入到域判别器，得到样本来自源域的概率Psfs，根据域判别器的损失函数Ld进行梯度计算，利用梯度下降算法使域判别器的权重参数往最小化Ld损失的方向优化；当梯度反向传播到特征学习模块前，利用梯度反转层将梯度取反，使特征学习模块的权重参数往最大化Ld损失的方向优化，使得特征学习模块的训练目标与域判别器的训练目标相反，形成对抗；通过特征学习模块与域判别器之间的对抗，使得特征学习模块提取到源域和目标域样本的共享特征；3.2用目标域样本训练特征学习模块和域判别器；将目标域样本输入到特征学习模块，得到特征向量将特征向量ft输入到域判别器，得到样本来自目标域的概率Ptft，根据域判别器的损失函数Ld进行梯度计算，利用梯度下降算法使域判别器的权重参数往最小化Ld损失的方向优化；当梯度反向传播到特征学习模块前，利用梯度反转层将梯度取反，使特征学习模块的权重参数往最大化Ld损失的方向优化，使得特征学习模块的训练目标与域判别器的训练目标相反，形成对抗；通过特征学习模块与域判别器之间的对抗，使得特征学习模块能够提取到源域和目标域样本的共享特征；其中，步骤3.1和3.2所述域判别器的损失函数Ld为交叉熵损失函数，定义为：Ld＝-dlogPf-1-dlog1-Pf其中，f为输入到域判别器的特征向量，Pf为域判别器输出的概率值，d为二分类域标签，当样本为源域样本时d＝1，f∈fs，Pf∈Psfs，样本为目标域样本时d＝0，f∈ft，Pf∈Ptft；3.3在每个批次对对抗网络的训练中，重复步骤3.1和3.2，通过V个批次的迭代训练，使得源域样本和目标样本间特征分布差异最小化，实现域的自适应。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于域自适应的微表情识别方法