1，论文研究背景

        在面部表情识别领域，深度学习被广泛应用，StarGAN可以生成更多具有不同表情的一对一人脸，用于增强数据库。StarGAN可以对多个表达式执行一对多翻译，与原始GAN相比，StarGAN可以提高样本生成的效率

2，研究问题描述

        StarGAN虽然取得了良好的性能，但是在生成的人脸的关键区域，例如嘴和模糊侧面图像中存在一些缺陷

3，问题解决方案

        为了解决这些缺陷和局限性,我们改进了StarGAN,通过修改重建损失和上下文损失来解决图像生成的缺陷.同时,我们将注意U-Net添加StarGAN的生成器，取代了原来StarGAN的生成器,因此,我们提出了语境丢失和注意U-Net(LAUN)改进的StarGAN

4，实验论证方案

        实验结果表明，改进后的模型可以减轻原始StarGAN产生的面部缺陷。因此，它可以生成具有不同姿势和表情的具有更好质量的人物图像。此外，基于LAUN改进的StarGAN增强数据库的实验结果比未曾增强的数据库具有更好的性能       

5，本文贡献

1. 提出一个基于StarGAN的模型，用于生成具有不同情绪的人脸图像，同时，保留一个人的身份
2. 改变了重建损失，增加了上下文损失，提高了生成的人脸图像的质量
3. 更换了StarGAN的生成器，并将其更换为注意U-Net网络，以提高性能
4. 该模型能够生成具有多种情感和不同姿势的人脸，并解决StarGAN了面部缺陷

6，提出的方法

1）StarGAN

  对抗性损失：使生成器生成的假图尽可能与真图一样，鉴别器无法鉴别

  分类损失：训练鉴别器，使其能够找到真实图像的真实标签

  重建损失：使生成器保留原图的特征，生成的图像保留相同的表示

  2）上下文损失

  评价图像相似性的传统方法：使用损失函数计算像素之间的差异

  传统方法的局限性：当原始图和生成图在空间上对齐时，使用损失函数计算像素可以获得良好的效果，如果两幅图空间上不对应，则使用传统损失函数生成的图像并不理想

  解决局限性方案：上下文损失函数比较图像特征以判断图像的相似性，一些深层次的神经网络可以提取高维特征，用于比较图像之间的相似性

3）注意U-Net

  注意U-Net起源于U-Net,注意机制被添加到U-Net,该模型用于图像分割，还可以使用注意模型来抑制不相关区域，并突出输出图像中特定任务的重要特征

  4）改进的重建损失

 7，实验

在这部分中，这篇论文先用StarGAN生成不同情绪的图像，然后使用改进的StarGAN（LAUN）生成更高质量的图像

数据集：

  KDFF数据集：包含面部图像的4900张图像，包含70个人，每个人展示不同的情绪，每个情绪有700张图，数据集的任务图像也分为5个角度

  MMI数据集：提供大量的视觉数据，该数据库由2900多个视频和高分辨率图像组成，共包含75个主题

  实验结果：

        实验在KDFF数据库上进行，人脸表情识别的准确率为95.7%，比StarGAN方法提高2.19%。同时，在MMI人脸表情数据库上进行了实验，表情准确率为98.30%，比StarGAN提高了1.21%

 8，结论

         本文主要介绍的用于数据增强的LAUN改进的StarGAN，虽然表达数据集中仍然存在样本不足和不平衡的问题，但是可以通过GANs网络增强表达数据集的来缓解这个问题。实验结果表明我们的模型提高了生成图像的质量和情感识别的分类精度。同时，该模型可以明确地学习身份和表达式表示，此外我们的模型还可以生成一个人在不同姿势下的表情

注：插入一张读改论文时做的思维导图

最后

以上就是大意凉面为你收集整理的LAUN Improved StarGAN for Facial emotion recognition1，论文研究背景2，研究问题描述3，问题解决方案4，实验论证方案5，本文贡献6，提出的方法 7，实验 8，结论的全部内容，希望文章能够帮你解决LAUN Improved StarGAN for Facial emotion recognition1，论文研究背景2，研究问题描述3，问题解决方案4，实验论证方案5，本文贡献6，提出的方法 7，实验 8，结论所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。