图像情感识别
来源:互联网 发布:window.open php 编辑:程序博客网 时间:2024/05/18 09:10
今天组会讲了一个情感图片识别的例子,其实也是一个比较普通的机器学习的过程,但是总体来说涉及到的东西还是很广的,在此再次总结分享一下。问题简单来说就是对图片情感进行分类,分别是Amusement, Anger, Awe, Contentment, Disgust, Excitement, Fear, Sadness八个类。先上整个的流程图:
首先我们必须有一个有label的图片数据集,有两中方法获取带label的数据集,最简单的当然是利用公开的数据集,图像情感方面可以参考IAPS;第二种自然是自己建立,通过人工的标注,最后统计结果作为ground truth。
第一步是进行一些预处理的操作,把图片的尺寸变成一致并且进行裁剪,最好保持图片的长宽比和原来的一致,不至于让图片失真;
第二步特征提取;根据相应的研究和论文提取出最有用的特征,组合成最后的特征;这一步决定了后面分类器分类的质量;
第三步是对提取的特征进行选择,因为提取的特征当中可能会有冗余的特征,并且特征过多容易造成维数灾难,比较常用的方法是作主成分分析(PCA),或者是直接利用现有特征,根据启发式、完全搜索式等等方法抽取特征子集;
第四步时选择分类器,对不同的分类器进行测试,比如SVM,RF,GBDT等等各种算法进行分类,测试效果,得到最终的分类模型;
得到模型之后,我们就可以进行预测了。
数据库
数据库各个情感图片实例以及各类情感图片的数量,图片总数是797。
特征提取
颜色特征,比如色调亮度相关,冷暖色相关的一些特征;
纹理特征,比如小波特征,Tamura特征等等;
内容特征,如果有人脸提取人脸特征;
最后得到47维的特征。
在讲特征选择之前,先说明下面所有的结果的分类器都是朴素贝叶斯。
特征选择
特征选择的方法有很多,可以直接做PCA,也可以穷举、启发式搜索或者随机搜索,比如顺序向前搜索、定向搜索、模拟退火算法等。这边采用了三种方式:(1)Sequential Forward Selection; (2)Beam Search; (3)PCA;
(1)SFS
就是特征顺序从一个变成lenth(features)个,看在第几个特征时能取得最好的分类效果;以下是两个类别的识别率的变化情况:
这是SFS的结果,NOF表示Number of Feature;
(2)Beam Search
采用的是贪心算法的思想,首先利用一个特征去进行分类,然后每次取最优效果的特征加入子特征进行训练,最后看哪些特征的效果最好;
这是BS的结果,NOF表示Number of Feature;
(3) PCA
这是PCA的结果,95%的保存率降维到21维,NOF表示Number of Feature;
最后来上一张三种方法下分类正确率的对比图,可以看到分类效果总体来说 BS>SFS>PCA.
多看论文,多写代码,少睡懒觉,少闲扯淡。
- 图像情感识别
- 情感识别
- 图片情感识别
- 情感识别概况
- 情感识别数据库收集
- 语音的情感识别问题
- 主题-情感识别的比赛
- 图像识别
- 图像识别
- 图像识别
- 图像识别
- 图像识别
- 图像识别
- 图像识别
- 图像识别
- 图片情感分析(2):图像情感分析模型
- 实用语音情感识别若干关键技术研究
- 人脸情感识别相关的资料
- Android打造万能适配器(一)再谈传统适配器
- ajaxfileupload IE10 拒绝访问
- eclipse中的tomcat,代码中创建file获取目录与tomcat单独运行获取目录不同的解决办法
- Phone状态的监听机制
- 项目中如何只计算一次cell的高度
- 图像情感识别
- 垃圾收集器
- 字符变量和字符指针的正确使用
- 第十三周上机实践项目:阅读、修改和运行关于交通工具类的程序(2)
- STL源码剖析——内存管理
- Debugging Memory Leaks on Android (for Beginners)
- FrameLayout
- 动作栏和选项菜单
- 欢迎使用CSDN-markdown编辑器