公开(公告)号：CN111325131A

公开(公告)日：2020-06-23

申请号：CN202010092959.8

申请日：2020-02-14

Applicant: 杭州电子科技大学

Inventor： 付晓峰 ,  牛力 ,  柳永翔 ,  赵伟华 ,  计忠平

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于自适应去除过渡帧深度网络的微表情检测方法。本发明包括网络构造、网络训练和微表情检测，其中所述的网络训练中首先对原始视频进行数据预处理；然后使用自适应去除过渡帧方法去除过渡帧；最后将去除了过渡帧的微表情帧和中性帧样本输入MesNet网络进行训练。本发明所构建的MesNet本质是一个二分类网络，检测微表情帧不依赖帧时序关系，因此MesNet不仅可以从微表情数据库完整视频中检测微表情帧，也可以从给定的任意帧集合中检测微表情帧，还可以判断给定的单独一帧是否为微表情帧。

公开(公告)号：CN115019124A

公开(公告)日：2022-09-06

申请号：CN202210562150.6

申请日：2022-05-23

Applicant: 杭州电子科技大学

Inventor： 付晓峰 ,  周楗波 ,  孙曜 ,  赵伟华 ,  计忠平

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06V40/16 ,  G06V20/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于生成对抗网络的微表情判别模型训练方法。包括：S1使用生成图像和目标图像的L1范数作为像素重建的第一损失函数，对生成器进行第一预训练；S2使用分类结果的交叉熵损失、增强标签的交叉熵损失的总和作为第二损失函数，对判别器进行第二预训练；S3将经过第一预训练的生成器、第二预训练的判别器进行连接，以生成对抗网络模型；S4基于第一损失函数、第二损失函数，并引入对抗损失函数，对对抗网络模型进行联合训练，以得到训练后的微表情判别模型，在对抗损失函数中，生成器以对抗损失函数最小化为目标，判别器以对抗损失函数最大化为目标。本发明采用预训练和联合训练的方式生成微表情判别模型，该微表情判别模型性能更好。

公开(公告)号：CN111325131B

公开(公告)日：2023-06-23

申请号：CN202010092959.8

申请日：2020-02-14

Applicant: 杭州电子科技大学

Inventor： 付晓峰 ,  牛力 ,  柳永翔 ,  赵伟华 ,  计忠平

IPC: G06V40/16 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明公开了一种基于自适应去除过渡帧深度网络的微表情检测方法。本发明包括网络构造、网络训练和微表情检测，其中所述的网络训练中首先对原始视频进行数据预处理；然后使用自适应去除过渡帧方法去除过渡帧；最后将去除了过渡帧的微表情帧和中性帧样本输入MesNet网络进行训练。本发明所构建的MesNet本质是一个二分类网络，检测微表情帧不依赖帧时序关系，因此MesNet不仅可以从微表情数据库完整视频中检测微表情帧，也可以从给定的任意帧集合中检测微表情帧，还可以判断给定的单独一帧是否为微表情帧。

公开(公告)号：CN115019366A

公开(公告)日：2022-09-06

申请号：CN202210587464.1

申请日：2022-05-25

Applicant: 杭州电子科技大学

Inventor： 付晓峰 ,  周楗波 ,  孙曜 ,  赵伟华 ,  计忠平

IPC: G06V40/16 ,  G06V10/82 ,  G06V10/764 ,  G06V10/774 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于神经过程的自动微表情分类模型训练方法，包括如下步骤：抽取若干微表情图像作为微表情图像节点，并分为上下文节点和目标节点；对微表情图像节点进行特征提取，得到微表情特征信息；将上下文节点的微表情特征信息和真实标签输入编码器计算潜在特征信息，聚合潜在特征信息得到全局潜在变量；使用全局潜在变量在解码器中计算目标节点的表情预测标签；设定联合优化目标，使联合优化目标最小化。本发明的方法使用了神经过程，神经过程结合了神经网络和随机过程，能学习在函数上的分布，也能够根据上下文的观察估计其预测的不确定性。