بهبود شناسایی هیجان چهره با ترکیب یادگیری بانظارت و خودنظارتی

در این مقاله، در ابتدا، تاثیر پیش آموزشImageNet ۱ بر شناسایی هیجان چهره (۲FER) مورد بررسی قرار گرفته است که نشان داده آموزش شبکه های عمیق با وزنه ای تصادفی نتایج بهتری نسبت وزنه ای پیش آموزش داده شده روی ImageNet ارائه میدهد. در مرحله بعد، روشی برای بهبود شناسایی هیجان چهره به نام یادگیری چند وظیفه ای ترکیبی (۳HMTL) پیشنهاد شده است. HMTL از یادگیری خود نظارتی (۴SSL) به عنوان وظیفه ای کمکی در فرایند یادگیری بانظارت (۵SL) در قالب یادگیری چند وظیفه ای (۶MTL) استفاده میکند. استفاده از SSL در حین آموزش میتواند اطلاعات بیشتری را از تصاویر چهره برای سر با نظارت شناسایی هیجان مهیا کند. در این مقاله بررسی شده است که چگونه یادگیری مطابق با رویکرد HMTL پیشنهادی را میتوان در حوزه شناسایی هیجان چهره مورد استفاده قرار داد. در نهایت بدون اینکه از داده های اضافی استفاده شود، مشاهده شده است از طریق دو روش پیشنهادی مطابق با رویکرد HMTL به بهترین نتایج بر روی AffectNet میتوان رسید. همچنین نتایج تجربی در مورد پیش آموزش وزن های طبق SSL و آموزش توسط رویکرد HMTL پیشنهادی، تفاوت و برتری رویکرد معرفی شده را نشان داده است.