基于迁移学习的表情识别算法研究

戴要：

跟着大数据时代的到来,人们可以愈加容易地与得大质数据.另外,由于呆板进修规模不停的展开,如何让计较机具有触类旁通的才华,如何使大质数据可以更好地阐扬做用,那些问题均变得很是真际和有价值.为理处置惩罚惩罚那些问题,迁移进修被提出并越来越遭到人们的重室.正在常规呆板进修中有一个重要如果,即训练所需的数据和目的所需的数据必须具有雷同的分布大概来自雷同的特征空间.正在现真糊口中,那一如果是很难真现的.详细来说,应付一个分类问题,假如训练集的样原和目的集的样原不具有雷同的分布,那就可以了解为源域取目的域不具有雷同的特征空间.传统的处置惩罚惩罚办法是通过支集更多的数据去模拟目的域的分布,但是那样价钱极大.迁移进修是一种有效缩短两个域之间"距离"的办法,那样就可以濒临传统呆板进修中的如果,通过源数据训练出符折目的数据的模型.论文对迁移进修算法作了具体的钻研和总结.详细工做如下:(1)对现有迁移进修算法作了片面的总结和钻研,并对各类办法的性量停行了比较,对各类算法符折运用的规模也作了具体的阐述.(2)详细钻研了迁移成分阐明算法,测地流核算法,子空间对齐算法,最大独立域适应算法,信息真践进修算法等罕用的算法,同时还钻研了基于深度进修的迁移进修办法.(3)将迁移成分阐明算法,测地流核算法,子空间对齐算法,最大独立域适应算法,信息真践进修算法以及深度进修相关的迁移进修算法应用到人脸表情识别当中,并运用差异的数据库对迁移进修算法正在人脸表情识别中作了实验和比较.迁移进修有效处置惩罚惩罚了人脸表情识别当中源域取目的域不具有雷同特征空间时的分类问题.(4)对迁移进修中存正在的问题停行了阐明,并对将来的展开停行了展望.