[发明专利]基于迁移学习和自编码器数据增强的微表情种类判别方法

权利要求书

1.基于迁移学习和自编码器数据增强的微表情种类判别方法，其特征在于：

步骤S1：选取在ImageNet数据库上预训练好的CNN模型，保留卷积层及预训练参数；

步骤S2：在上述CNN模型后添加全连接层；

步骤S3：在全连接层后添加输出层和softmax分类器，构造完成的网络命名为MecNet网络；

步骤S4：使用MegNet微表情生成网络生成的微表情样本扩充训练集，达到数据增强的目的；所述的MegNet网络包括编码器Encoder、解码器Decoder A和解码器Decoder B三个部分；

步骤S5：训练MecNet网络；

步骤S6：使用MecNet网络进行微表情种类判别。

2.根据权利要求1所述的基于迁移学习和自编码器数据增强的微表情种类判别方法，其特征在于：

MecNet网络构造过程中，使用预训练的Inception-ResNet-V2模型为基础，添加含1024个神经元的全连接层和含3个神经元的输出层，构造微表情三分类网络，用于判别微表情种类；

MecNet网络完成训练之后，将测试集样本输入，可得到每个样本的预测标签值；标签为[1,0,0]表示Negative类，[0,1,0]表示Positive类，[0,0,1]表示Surprise类。

3.根据权利要求1所述的基于迁移学习和自编码器数据增强的微表情种类判别方法，其特征在于：

MegNet使用CASME II亚洲人的微表情样本生成欧美人的微表情样本；在MegNet编码器和解码器中，基于卷积结构设计特征图下采样模块，基于子像素卷积设计特征图上采样模块；解码器Decoder A和解码器Decoder B网络结构相同，模型参数不同；MegNet损失函数基于图像结构相似性设计。