تشخيص عميق حالات چهره در دنياي واقعي با استفاده از تابع هزينه مركز توجه

تشخيص حاالت چهره طي چند دهه گذشته يك زمينه تحقيقاتي فعال بوده است. يادگيري ويژگيهاي متمايز براي تشخيص حاالت چهره در دنياي واقعي با استفاده از شبكههاي عصبي پيچشي به دليل تنوع درونطبقهاي و شباهتهاي بين طبقاتي زياد، نسبتاً ناكارآمد گرديدهاند. از طرفي، نظارت يكسان بر همه ويژگيها با روش يادگيري متريك عميق مانند هزينهمركز ممكن است شامل ويژگيهاي نامرتبط باشد و در نهايت توانايي تعميم الگوريتم يادگيري را كاهش دهد. در اين پژوهش يك تابع هزينه مركز توجه ، براي انتخاب تطبيقي زيرمجموعه اي از عناصر ويژگي عميق در تابع هدف پيشنهاد ميشود. رويكرد تركيبي پيشنهادي، يك مكانيزم شبكه توجه را براي تخمين وزن توجه مرتبط با اهميت ويژگي، با استفاده از نقشههاي ويژگي فضايي در شبكه عصبي پيچشي ادغام ميكند. وزنهاي تخميني، فرمول منحصر بهفردي از هزينه مركز را براي دستيابي انتخابي به ويژگيهاي موثر در فشردگي درونطبقهاي و جداسازي بين طبقاتي براي اطالعات مربوطه در فضاي تعبيهشده درنظر ميگيرد. مطالعهاي گسترده بر روي مجموعه دادههاي حوزه تشخيص حاالت چهره، برتري هزينه مركز توجه پيشنهادي را در مقايسه با روشهاي پيشرفته نشان ميدهد. در اين پژوهش، تشخيص احساسات با روش هزينه مركز توجه، براي مجموعه داده -RAF DB با دقت تشخيص 27/88 % و براي مجموعه داده +CK با دقت تشخيص 88%/96 كسب گرديد.