FaceNet2ExpNet: Regulierung eines tiefen Gesichtserkennungsnetzes für die Erkennung von Mimik

Verfügbare Datensätze für die Forschung zur Erkennung von Gesichtsausdrücken sind in der Regel sehr klein, was das Training tiefer Netzwerke für die Ausdruckserkennung äußerst herausfordernd macht. Obwohl Feinabstimmung (fine-tuning) das Problem teilweise lindern kann, bleibt die Leistung unter akzeptablen Niveaus, da die tiefen Merkmale wahrscheinlich redundante Informationen aus dem vortrainierten Bereich enthalten. In dieser Arbeit stellen wir FaceNet2ExpNet vor, eine innovative Methode zum Trainieren eines Netzwerks zur Erkennung von Gesichtsausdrücken auf Basis statischer Bilder. Zunächst schlagen wir eine neue Verteilungsfunktion vor, um die hochstufigen Neuronen des Ausdrucksnets zu modellieren. Auf dieser Grundlage wird ein zweistufiger Trainingsalgorithmus sorgfältig entwickelt. Im Vor-Trainings-Stadium trainieren wir die Faltungs-Layer des Ausdrucksnets, wobei diese durch das Face Net regularisiert werden; im Verfeinerungsstadium hängen wir vollvernetzte Layer an die vortrainierten Faltungs-Layer an und trainieren das gesamte Netzwerk gemeinsam. Visualisierungen zeigen, dass unser Modell verbesserte hochstufige Ausdruckssemantik erfasst. Bewertungen anhand vier öffentlicher Ausdrucksdatenbanken, CK+, Oulu-CASIA, TFD und SFEW, belegen, dass unsere Methode bessere Ergebnisse als der Stand der Technik erzielt.