تشخیص عمیق حالات چهره در دنیای واقعی با استفاده از تابع هزینه مرکز توجه

تشخیص حاالت چهره طی چند دهه گذشته یک زمینه تحقیقاتی فعال بوده است. یادگیری ویژگیهای متمایز برای تشخیص حاالت چهره در دنیای واقعی با استفاده از شبکههای عصبی پیچشی به دلیل تنوع درونطبقهای و شباهتهای بین طبقاتیزیاد، 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 فضاییدر 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 اطالعات مربوطه در فضای تعبیهشده درنظر میگیرد. مطالعهای گسترده بر روی مجموعه دادههای حوزه تشخیص حاالت چهره، برتریهزینه مرکز توجه پیشنهادی را در مقایسه با روشهای پیشرفته نشان میدهد. در اینپژوهش، تشخیص احساسات با روش هزینه مرکز توجه، برای مجموعه داده -rafdb با دقت تشخیص 27/88 % و برای مجموعه داده +ck با دقت تشخیص 88%/96 کسب گردید.