一种基于多任务、多标签的残差神经网络的情绪检测方法技术

本发明专利技术公开了一种基于多任务、多标签的残差神经网络的情绪检测方法，属于服务计算技术领域，该方法利用了跨领域数据集的优势，在不同领域的数据集上进行情感极性的检测。在本发明专利技术中，通过应用多任务学习损失函数与其他相关任务共享共同的特征表示。特别地，通过联合学习模型和面部动作单元的检测器来表明情感识别的好处。所提出的损失函数解决了利用异构标记数据学习多个任务的问题，改进了先前的多任务方法。通过利用SFEW2.0数据集与EmotioNet数据集对多个任务与多个标签进行实验以进行情绪的检测与分类。结果分析表明，本发明专利技术具有较好的通用性，精度达到了92.1%，能够胜任大部分的检测任务。

【技术实现步骤摘要】
一种基于多任务、多标签的残差神经网络的情绪检测方法
本专利技术涉及服务计算
，具体是涉及一种基于多任务、多标签的残差神经网络的情绪检测方法。
技术介绍
面部图像提供情感感知的相关信息。作为人类，我们可以通过观察他们的脸来推断出对某人情绪的准确第一印象。多种应用受益于自动面部情绪识别，例如人机交互、学生参与度估计、情绪感知设备或自闭症患者表达产生的改善。而基于深度学习的新方法可以改善面部表情识别任务。但是，此任务的可用数据量很小，这使得利用这些需要大量训练数据的神经网络的准确度不高。因此，多任务学习的引入尤为重要，因为它证明通过在训练过程中包含其他相关任务成功地提高了单个任务的性能，而使用不同数据集的多任务方法的主要困难之一是，并非所有样本都标记了所有任务。因此，为了解决这个问题，需要提供一个准确的情绪检测方法可以为上述问题提供一个良好的解决思路。
技术实现思路
针对现有的情感极性检测方法存在的局限，本专利技术的目的在于提供一种基于多任务、多标签的残差神经网络的情绪检测方法，以解决上述
技术介绍
中的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于多任务、多标签的残差神经网络的本文档来自技高网...

【技术保护点】
1.一种基于多任务、多标签的残差神经网络的情绪检测方法，其特征在于，包括以下步骤：步骤1：收集数据集文档，数据集文档包括两部分：SFEW2.0数据集与EmotioNet数据集；两个数据集包含七类情绪：生气、厌恶、恐惧、快乐、悲伤、惊讶和中立，因此将数据集的标签定义为七类；步骤2：使用one‑hot工具将标签转化为one‑hot向量，并将两个数据集的标签向量进行连接，然后通过深度残差神经网络提前加载CIFAR10数据集的权重，并将两类数据集中的图片数据，放入处理多任务的深度残差神经网络中；步骤3：对该深度残差神经网络进行训练，利用本专利技术单独定义的损失函数来进行反向传播，不断修改模型参数使分类...

【技术特征摘要】
1.一种基于多任务、多标签的残差神经网络的情绪检测方法，其特征在于，包括以下步骤：步骤1：收集数据集文档，数据集文档包括两部分：SFEW2.0数据集与EmotioNet数据集；两个数据集包含七类情绪：生气、厌恶、恐惧、快乐、悲伤、惊讶和中立，因此将数据集的标签定义为七类；步骤2：使用one-hot工具将标签转化为one-hot向量，并将两个数据集的标签向量进行连接，然后通过深度残差神经网络提前加载CIFAR10数据集的权重，并将两类数据集中的图片数据，放入处理多任务的深度残差神经网络中；步骤3：对该深度残差神经网络进行训练，利用本发明单独定义的损失函数来进行反向传播，不断修改模型参数使分类效果达到最优。2.根据权利要求1所述的基于多任务、多标签的残差神经网络的情绪检测方法，其特征在于，步骤1中对图片数据加标签的过程为：对情绪为“生气”的标签标为“1”，对情绪为“厌恶”的标签标为“2”，对情绪为“恐惧”的标签标为“3”，对情绪为“快乐”的标签标为“4”，对情绪为“悲伤”的标签标为“5”，对情绪为“惊讶”的标签标为“6”，对情绪为“中立”的标签标为“7”。3.根据权利要求2所述的基于多任务、多标签的残差神经网络的情绪检测方法，其特征在于，步骤2，具体包括以下子步骤：步骤2.1：将两个数据集中的标签使用one-hot工...

【专利技术属性】
技术研发人员：田刚，刘鹏飞，王琦博，孙承爱，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37