基于加权非目标类别的自蒸馏表情识别方法、介质及设备技术

本发明专利技术提供了一种基于加权非目标类别的自蒸馏表情识别方法、介质及设备；其中方法是：将待识别的图像输入到特征提取网络中，利用特征提取网络提出表情特征，之后进行表情识别；特征提取网络训练方法为：对训练的原图像分别进行翻转和随机旋转变化；输入到特征提取网络得到对应的特征图和向量；分别计算特征图对应的CAM图构建特征一致损失；利用向量构造交叉熵损失函数；利用向量计算KL散度进行分解以构建自蒸馏损失函数，进而构建总损失函数。该方法从训练原图像的仿射变换出发，通过限制原图像仿射变换前后的CAM图来提升特征的一致性，通过非正比例线性加权非目标类别进行自蒸馏来提升判别的一致性。来提升判别的一致性。来提升判别的一致性。

【技术实现步骤摘要】
基于加权非目标类别的自蒸馏表情识别方法、介质及设备


[0001]本专利技术涉及计算机图像设别
，更具体地说，涉及一种基于加权非目标类别的自蒸馏表情识别方法、介质及设备。

技术介绍

[0002]面部表情是人们交流的重要方式，随着计算机技术及智能设备的发展，表情识别已有着广泛的应用，例如人机交互，医疗诊断，疲劳驾驶监测等。表情识别方法可分为基于手提特征进行识别的方法，以及基于深度学习的方法。对于前者，中国专利技术专利《一种基于边缘检测与SIFT的人脸表情识别特征提取方法》(公开号：CN108038476A)利用人脸图像中关于表情信息的SIFT描述子完成特征提取；中国专利技术专利《一种基于表情识别的输入方法》(公开号：CN102193620A)使用主成分分析法、Gabor小波法提取表情特征。该类手提特征的方法对于获得高质量表情特征难度较高。
[0003]随着人工智能的发展，基于深度学习的方法成为表情识别的主流方法。其中，大部分方法从网络结构出发；中国专利技术专利申请《一种结合多级卷积特征金字塔的人脸表情识别算法》(公开号：CN11058本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权非目标类别的自蒸馏表情识别方法，其特征在于：将待识别的图像输入到特征提取网络中，利用特征提取网络提出表情特征，之后进行表情识别；所述特征提取网络是指训练后的特征提取网络；特征提取网络训练方法包括如下步骤：S1、对训练的原图像分别进行翻转和随机旋转变化，得到翻转图像和旋转图像；将原图像、翻转图像和旋转图像分别输入到特征提取网络，得到原图像、翻转图像和旋转图像分别对应的特征图M
o
、特征图M
f
和特征图M
r
，并得到对应的logit向量f
i
，i∈{o，f，r}；S2、分别计算特征图M
i
对应的CAM图A
i，c
；将CAM图A
o，c
分别进行翻转和相同旋转，以转换为CAM图A
′
f，c
和CAM图A
′
r，c
；利用CAM图A
f，c
和CAM图A
′
f，c
的差异、以及CAM图A
r，c
和CAM图A
′
r，c
的差异，构建特征一致损失S3、利用logit向量f
i
，构造交叉熵损失函数S4、对logit向量f
o
、以及logit向量f
f
和logit向量f
r
的均值计算KL散度，并对KL散度进行分解；之后构建自蒸馏损失函数S5、利用特征一致损失交叉熵损失函数和自蒸馏损失函数构建总损失函数利用总损失函数对特征提取网络进行网络训练。2.根据权利要求1所述的基于加权非目标类别的自蒸馏表情识别方法，其特征在于：所述S2，包括如下分步骤：S2.1、计算特征图M
o
对应的CAM图A
o，c
，计算特征图M
f
对应的CAM图A
f，c
，计算特征图M
r
对应的CAM图A
r，c
：其中，i∈{o，f，r}；c为类别序号；L为全连接层的输入维度，即图像特征输出维度；w
l，c
表示全连接层对应第l个特征以及类别c的权重；S2.2、将CAM图A
o，c
分别进行翻转和相同旋转，以转换为CAM图A
′
f，c
和CAM图A
′
r，c
；S2.3、利用CAM图A
f，c
和CAM图A
′
f，c
的差异、以及CAM图A
r，c
和CAM图A
′
r，c
的差异，构建特征一致损失一致损失其中，C为类别数量；c为类...

【专利技术属性】
技术研发人员：田翔，张子阳，张源，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：