فاطمه قاسمی - گروه کامپیوتر، دانشکده فنی مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
پیمان بابایی - گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

اطلاعات زمانی دارای ویژگی های مفیدی برای شناخت حالات چهره می باشند. با این حال، برای طراحی دستی ویژگی ها مفید نیاز به تلاش بسیاری است. در این مقاله، برای کاهش این عوامل، یک تکنیک یادگیری عمیق، که به عنوان ابزاری خودکار که ویژگی های مفید را از داده های خام استخراج می کند انتخاب شده است. شبکه عمیق پیشنهادی بر اساس دو نوع مدل متفاوت می باشد. اولین شبکه عمیق ویژگی های ظاهری زمانی را از توالی عکس استخراج می کند، در حالی که شبکه عمیق دیگر ویژگی های هندسی زمانی را از نقاط ویژگی های چهره استخراج می کند. این دو مدل با استفاده از یک روش یکپارچه سازی جدید به منظور افزایش عملکرد تشخیص حالت چهره با هم ترکیب می شوند. از طریق چندین آزمایش نشان می دهیم که دو مدل با هم همکاری می کنند. در نتیجه، عملکرد فوق العاده ای را به نسبت دیگر روش های پیشرفته در پایگاه های داده CK + و Oulu-CASIA به دست می اید. علاوه بر این، نشان می دهیم که متود یکپارچه جدید نتایج دقیق تری از روش های سنتی، مانند روش های جمع بندی وزن و پیوند ویژگی و واحدهای حرکتی دارا خواهد بود.

حالت چهره، نقاط ویژگی صورت، شبکه عصبی عمیق، ویژگی های ظاهری هندسی، شبکه عصبی کانولوشن