| تشخیص عمیق حالات چهره در دنیای واقعی با استفاده از تابع هزینۀ مرکز توجه |
| کد مقاله : 1099-AISCH2 |
| نویسندگان |
|
فاطمه حسومی *1، محمد بحرانی2 1گروه کامپیوتر،دانشکده آمار،ریاضی و رایانه،دانشگاه علامه طباطبایی 2استاد گروه رایانه دانشکده علوم ریاضی و رایانه دانشگاه علامه طباطبائی |
| چکیده مقاله |
| تشخیص حالات چهره طی چند دهه گذشته یک زمینه تحقیقاتی فعال بوده است. یادگیری ویژگی‌های متمایز برای تشخیص حالات چهره در دنیای واقعی با استفاده از شبکه‌های عصبی پیچشی به دلیل تنوع درون‌طبقه‌ای و شباهت‌های بین طبقاتی زیاد، نسبتاً ناکارآمد گردیده‌اند. از طرفی، نظارت یکسان بر همه ویژگی‌ها با روش یادگیری متریک عمیق مانند هزینه‌مرکز ممکن است شامل ویژگی‌های نامرتبط باشد و در نهایت توانایی تعمیم الگوریتم یادگیری را کاهش دهد. در این پژوهش یک تابع هزینه مرکز توجه ، برای انتخاب تطبیقی زیرمجموعه ای از عناصر ویژگی عمیق در تابع هدف پیشنهاد می‌شود. رویکرد ترکیبی پیشنهادی، یک مکانیزم شبکه توجه را برای تخمین وزن توجه مرتبط با اهمیت ویژگی، با استفاده از نقشه‌های ویژگی فضایی در شبکه عصبی پیچشی ادغام می‌کند. وزن‌های تخمینی، فرمول منحصر به‌فردی از هزینه مرکز را برای دستیابی انتخابی به ویژگی‌های موثر در فشردگی درون‌طبقه‌ای و جداسازی بین طبقاتی برای اطلاعات مربوطه در فضای تعبیه‌شده در‌نظر می‌گیرد. مطالعه‌ای گسترده بر روی مجموعه داده‌های حوزه تشخیص حالات چهره، برتری هزینه مرکز توجه پیشنهادی را در مقایسه با روش‌های پیشرفته نشان می‌دهد. در این پژوهش، تشخیص احساسات با روش هزینه مرکز توجه، برای مجموعه داده RAF-DB با دقت تشخیص 88/27 % و برای مجموعه داده CK+ با دقت تشخیص 96/88% کسب گردید. |
| کلیدواژه ها |
| تشخیص حالات چهره، مکانیزم توجه، یادگیری عمیق، هزینه مرکز |
| وضعیت: پذیرفته شده برای ارائه شفاهی |