CN116089874A - 一种基于集成学习和迁移学习的情感识别方法及装置 - Google Patents

一种基于集成学习和迁移学习的情感识别方法及装置 Download PDF

Info

Publication number
CN116089874A
CN116089874A CN202310020744.9A CN202310020744A CN116089874A CN 116089874 A CN116089874 A CN 116089874A CN 202310020744 A CN202310020744 A CN 202310020744A CN 116089874 A CN116089874 A CN 116089874A
Authority
CN
China
Prior art keywords
data
target domain
emotion recognition
training
classifier
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310020744.9A
Other languages
English (en)
Inventor
伍冬睿
邓凌飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202310020744.9A priority Critical patent/CN116089874A/zh
Publication of CN116089874A publication Critical patent/CN116089874A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于集成学习和迁移学习的情感识别方法及装置，属于情感计算的脑机接口领域。首先基于深度迁移学习算法，利用源域有标签数据对情感识别模型进行预训练，再利用预训练后的情感识别模型对目标域无标签数据进行预测，并选择前若干高置信度的预测结果作为伪标签，得到目标域带伪标签数据。然后，通过对特征进行随机非线性映射，以增加特征多样性。接着，利用源域有标签数据和目标域带伪标签数据构造第一数据样本集，训练一个基分类器；利用目标域带伪标签数据和目标域其余标签数据构造第二数据样本集，训练另一个基分类器。循环迭代，最后将所有基分类器结果求和得到最终的输出，以实现对目标域无标签数据的识别。

Description

一种基于集成学习和迁移学习的情感识别方法及装置
技术领域
本发明属于情感计算的脑机接口领域，更具体地，涉及一种基于集成学习和迁移学习的情感识别方法及装置。
背景技术
情感识别是人机交互***中的重要组成部分。情感脑机接口是情感识别方式的一种，通过采集被试的头皮脑电信号来解析当前信号对应的被试情绪类别。为了减少训练情感识别模型所需的标注数据(称为减少被试的校准数据)，可以借助其他用户已采集的标注数据辅助训练模型。不同用户间脑电信号通常差异较大，这导致其他用户和被试间数据不符合独立同分布的假设，其他用户上直接训练的模型在新被试上性能很差，而迁移学习可以解决这个问题。迁移学习旨在学习辅助数据(源域)的知识并迁移到目标数据(目标域)，从而在目标域上以较少甚至零标注数据的情况下训练高性能的模型。
迁移学习方法在情感脑机接口已有广泛的应用，主要可以分为两类：
1)传统迁移学***均能量，在情感脑机接口领域中被广泛使用；并在情感脑机接口任务上使用了迁移成分分析(Transfer component analysis,TCA)、核成分分析(Kernel principalcomponent analysis,KPCA)、直推式参数迁移(Transductive parameter transfer,TPT)等迁移学习方法。同时他们还提出了一种利用最大均值差异(Maximum mean discrepancy,MMD)度量个体差异的个体相似度迁移学习框架。
2)深度迁移学习算法：基于卷积神经网络的迁移学习算法，直接从原始脑电信号中提取特征并完成分类。已有学者在情感脑机接口任务上使用了域对抗网络(Domainadaptation neural network,DANN)、联合域适应网络(Joint adaptation network,JAN)、条件域对抗网络(Conditional domain adversarial network,CDAN)等深度迁移学习方法，并尝试用多模型融合的策略与眼动信号模型结合以提升性能。
然而，现有的仅基于迁移学习的情感识别算法由于仅从特征提取的角度，完成对特征的映射以对齐不同分布，忽略了特征映射后对分类精度的影响，所以准确度仍有提升空间。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于集成学习和迁移学习的情感识别方法及装置，旨在利用集成学习提升情感脑机接口跨被试任务上已提出的深度迁移学习算法的性能。本发明针对的是无监督迁移学习场景：目标被试(目标域)已采集了大量无标注的脑电信号数据，需要借助已采集信号且带标注的其他被试(源域)的数据训练模型，以在目标域的无标注数据上取得尽可能高的准确度。
为实现上述目的，第一方面，本发明提供了一种基于集成学习和迁移学习的情感识别方法，包括：
S1，利用源域有标签数据对情感识别模型进行预训练，再利用预训练后的情感识别模型对目标域无标签数据进行预测，并选择前若干高置信度的预测结果作为伪标签，得到目标域带伪标签数据；所述情感识别模型包括特征提取器和分类器，特征提取器用于从原始脑电信号中提取特征，分类器用于识别情感类别；
S2，对S1中提取好的数据特征进行随机非线性映射；
S3，利用经S2映射后的源域有标签数据和目标域带伪标签数据构造第一数据样本集，训练一个基分类器；其中，若存在样本属于源域有标签数据且预测结果错误，则将该样本的权重置零；
S4，利用经S2映射后的目标域带伪标签数据和目标域其余标签数据构造第二数据样本集，通过约束样本加入随机扰动前后模型输出一致的方式来训练另一个基分类器；其中，所述目标域其余标签数据的标签通过S3训练后的基分类器计算得到；
S5，重复S2至S4，直至达到迭代停止条件，并将所有基分类器结果求和得到最终的输出，以实现对所述目标域无标签数据的识别。
进一步地，所述S2中，随机非线性映射的过程表示为：
hk(z)＝δ[ZS(zτMk，μ，σ)]，
ZS[zτMk，μ，σ)＝(zτMk-μ)·/σ，
其中，hk(z)表示映射后的特征，δ表示任意一种非线性映射激活函数，Z＝[z1，z2，…，zn]表示所有样本组成的数据矩阵，n为样本个数，zτ表示z的转置，Mk表示一个随机生成的矩阵，μ和σ分别表示ZτMk的均值和标准差，点号.表示元素对元素运算。
进一步地，所述S3中，在第k次循环时，第2k-1个基分类器的损失函数表示为：
Figure BDA0004041903130000031
其中，其中NT和NS分别表示目标域带伪标签数据、源域有标签数据的样本数量；l表示交叉熵损失，xi和yi分别表示第i个样本的特征和标签；f2k-1代表第2k-1个基分类器，F2k-2代表当前步骤之前所有已经训练好的基分类器的和。
进一步地，所述S3中，在求解第2k-1个基分类器的损失函数时，利用泰勒展开，将多分类的损失转化为一系列二分类损失的和。
进一步地，所述S4中，在第二数据样本集中，给目标域其余标签数据的特征上均加入一个扰动，所述扰动由随机生成的高斯噪声组成；再通过约束加入扰动前后两组数据经过模型的输出一致来训练另一个基分类器。
为实现上述目的，第二方面，本发明提供了一种基于集成学习和迁移学习的情感识别装置，包括：
数据处理单元，用于利用源域有标签数据对情感识别模型进行预训练，再利用预训练后的情感识别模型对目标域无标签数据进行预测，并选择前若干高置信度的预测结果作为伪标签，得到目标域带伪标签数据；所述情感识别模型包括特征提取器和分类器，特征提取器用于从原始脑电信号中提取特征，分类器用于识别情感类别；
特征映射单元，用于对提取好的数据特征进行随机非线性映射；
第一训练单元，用于利用映射后的源域有标签数据和目标域带伪标签数据构造第一数据样本集，训练一个基分类器；其中，若存在样本属于源域有标签数据且预测结果错误，则将该样本的权重置零；
第二训练单元，用于利用映射后的目标域带伪标签数据和目标域其余标签数据构造第二数据样本集，通过约束样本加入随机扰动前后模型输出一致的方式来训练另一个基分类器；其中，所述目标域其余标签数据的标签通过所述第一训练单元训练后的基分类器计算得到；
情感识别单元，用于重复所述特征映射单元、第一训练单元及第二训练单元的操作，直至达到迭代停止条件，并将所有基分类器结果求和得到最终的输出，以实现对所述目标域无标签数据的识别。
为实现上述目的，第三方面，本发明提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如第一方面所述的基于集成学习和迁移学习的情感识别方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明第一步基于深度迁移学习算法，利用源域有标签数据对情感识别模型进行预训练，再利用预训练后的情感识别模型对目标域无标签数据进行预测，并选择前若干高置信度的预测结果作为伪标签，得到目标域带伪标签数据。第二步，通过对特征进行随机非线性映射，以增加特征多样性。第三步，利用源域有标签数据和目标域带伪标签数据构造第一数据样本集，训练一个基分类器；因为所有数据均带标注，所以这是一个监督迁移学习任务。第四步，利用目标域带伪标签数据和目标域其余标签数据构造第二数据样本集，训练另一个基分类器；由于数据全部来自目标域，所以数据符合独立同分布假设，是一个普通半监督学习任务。重复第二至第四步，不断训练得到新的基分类器，期间每一步样本更新的权重会作为下一次迭代中样本的权重来计算损失。最后将所有基分类器结果求和得到最终的输出，以实现对目标域无标签数据的识别。如此，本发明在迁移学习的基础上结合集成学习，能够进一步提升情感识别的准确度。
附图说明
图1为本发明实施例提供的基于集成学习和迁移学习的情感识别方法的流程图之一；
图2为本发明实施例提供的基于集成学习和迁移学习的情感识别方法的流程图之二；
图3为本发明实施例提供的基于集成学习和迁移学习的情感识别方法的流程图之三。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
集成学习是通过训练并融合多个模型以提升基础模型的性能。集成学习主要分为Bagging和Boosting两种策略。Bagging策略是每次从数据集中选择部分数据训练模型，重复多次，再将所得到的多个模型集成。Bagging策略能够提升基础模型的稳定性(减小多次实验结果的方差)。Boosting策略是用初始数据集训练一个基础模型后，根据模型分类的准确与否调整数据集中不同样本的权重，错分的样本会获得更大的权重从而更多地被模型重视，重复多次上述过程，最后将得到的多个基础模型集成。LogitBoost是Boosting的一种改进，利用训练基分类器损失的梯度作为更新样本权重的依据，能有效解决过拟合问题，提升模型泛化性能。Boosting能够提升基础模型的准确度。目前还没有在情感识别中将集成学习和迁移学习结合的算法思路。
基于此，本发明通过用集成学习微调已有深度迁移学习算法从而获得更好的性能，名称为“SS-TrBoosting”，详见以下具体实施例。
实施例一
参阅图1，结合图2和图3，本发明提供了一种基于集成学习和迁移学习的情感识别方法，该方法包括操作S1至S5。
操作S1，利用源域有标签数据对情感识别模型进行预训练，再利用预训练后的情感识别模型对目标域无标签数据进行预测，并选择前若干高置信度的预测结果作为伪标签，得到目标域带伪标签数据；所述情感识别模型包括特征提取器和分类器，特征提取器用于从原始脑电信号中提取特征，分类器用于识别情感类别。
本实施例中，情感识别例如可以理解为，一个人在看一段视频，其大脑的信号会被记录下来，大脑信号对应的标签可以是开心、伤心、无感情等。
如图2所示，“深度无监督/半监督迁移学习算法”部分展示的是某一种现有的深度迁移学习算法，包含两个部分：由卷积神经网络构成的特征提取层(Feature Extractor)和由单层全连接神经网络构成的分类器(Classifier)，特征提取层输出的特征会作为分类器的输入，也会作为本发明算法的输入，而此分类器会作为集成学习的初始分类器。
经预训练后，以一个样本为例，特征提取器从原始脑电信号中提取的特征为z，模型输出为f(z)＝[a1，a2，…，ac]，ac指第c个类别被预测的概率，模型最终预测的值为被预测概率最大的类，即arg max(ai)i＝1，2，…，c。我们将所有样本经过预训练模型后的预测类别和该类别被预测的概率记录下来，为
Figure BDA0004041903130000071
其中ci表示第i个样本被预测的类别，
Figure BDA0004041903130000073
表示第i个样本被预测为ci类的概率，n为样本个数，然后对它们排序，取前10％的样本将它们的预测类别假定为其真实类别，这样目标被试的数据中就有10％的样本有标注(后文称作目标域带伪标签数据)。此步骤输出的是所有样本的特征和预训练分类器f。
操作S2，对S1中提取好的数据特征进行随机非线性映射。
本实施例中，如图3所示，我们设源域的一个样本的特征和标签为(zS，yS)，目标域带伪标签的样本为(zT，yT)，目标域未标注的样本特征为zU。分别对这三组样本做随机非线性映射，第k次循环过程如下：
hk(z)＝δ[ZS(zτMk，μ，σ)]，
ZS(zτMk，μ，σ)＝(zτMk-μ)./σ，
其中，hk(z)表示映射后的特征，δ表示任意一种非线性映射激活函数，比如sigmoid函数；Mk是一个随机生成的矩阵，μ和σ是ZτMk的均值和标准差，Z＝[z1，z2，…，zn]表示所有样本组成的数据矩阵，zτ表示z的转置，点号.表示元素对元素运算。最终我们令一个样本经映射后的特征为x，即x＝hk(z)。
操作S3，利用经S2映射后的源域有标签数据和目标域带伪标签数据构造第一数据样本集，训练一个基分类器；其中，若存在样本属于源域有标签数据且预测结果错误，则将该样本的权重置零。
如图3“有监督迁移学习”模块所示，我们选择S2中得到的源域有标签数据和目标域带伪标签数据组成一个数据集：
Figure BDA0004041903130000081
其中，NT和NS分别表示目标域带伪标签数据、源域有标签数据的样本数量，xT和xS分别表示样本属于目标域和源域。
因为所有数据均带标注，所以这是一个监督迁移学习任务，本发明改进了LogitBoost算法来训练基分类器并根据训练损失更新各个样本的权重。在第k次循环时，我们优化如下损失以训练第2k-1个基分类器：
Figure BDA0004041903130000082
其中f2k-1代表新训练的基分类器，l代表交叉熵损失，f2k-2代表当前步骤之前所有已经训练好的基分类器的和，若当前是首个循环(k＝1)，则F为S1中输出的初始分类器f；若当前是第k次循环，即
Figure BDA0004041903130000083
经过对上述损失公式泰勒展开，减项、添项，并将多分类的损失转化为一系列二分类损失的和(C分类问题转化为C个二分类，每个二分类问题判断样本是否属于第j类，j＝1，2，…，C)，如下公式：
Figure BDA0004041903130000084
其中，
Figure BDA0004041903130000091
代表第i个样本的第j类上二分类问题计算损失的权重；
Figure BDA0004041903130000092
Figure BDA0004041903130000093
pj(xi)代表第i个样本被F2k-2模型预测为第j类的概率，当此样本xi为源域样本(i＞NT)且模型预测错误的时候，即argmax[F2k-2(xi)]≠yi，我们认为这个源域样本与目标域差异过大，则将其权重置零，即令
Figure BDA0004041903130000096
经过训练上述损失，获得基分类器f2k-1，此时集成的总模型表示为F2k-1＝F2k-2+f2k-1，而更新后的样本权重为
Figure BDA0004041903130000097
操作S4，利用经S2映射后的目标域带伪标签数据和目标域其余标签数据构造第二数据样本集，通过约束样本加入随机扰动前后模型输出一致的方式来训练另一个基分类器；其中，所述目标域其余标签数据的标签通过S3训练后的基分类器计算得到。
如图3“半监督学习”模块所示，以第k次迭代为例，首先使用S3中训练得到的模型F2k-1计算所有目标域未带标注数据的伪标签：
Figure BDA0004041903130000094
我们选择S2中得到的目标域带伪标签数据(该伪标签是由S1中预训练的深度迁移学习模型计算得到的，并非真实标注)和目标域其余标签数据(使用F2k-1模型计算得到的伪标签作为标注)的样本组成一个数据集，并给目标域其余标签数据的特征上加入一个扰动，扰动由随机生成的高斯噪声组成，具体表达如下：
Figure BDA0004041903130000095
其中，NT和NU分别表示目标域带伪标签数据和目标域其余标签数据样本数目；
Figure BDA0004041903130000101
表示扰动εi服从均值为0标准差为∑的高斯分布。
由于数据全部来自目标域，所以数据符合独立同分布假设，是一个普通半监督学习任务。针对目标域其余标签数据，本发明对其加上扰动，用S3中模型对扰动前的样本的输出作为扰动后样本的伪标签，再按照S3中LogitBoost的算法来训练新的基分类器；针对目标域带伪标签数据，则使用交叉熵损失。然后按照S3中一样用当前的数据集计算损失，与S3的区别是去除掉最后将
Figure BDA0004041903130000102
置零的操作。最后得到训练好的第2k个基分类器f2k，同时集成模型更新为F2k＝F2k-1+f2k，样本权重和S3中计算过程也相同(没有置零操作)。
操作S5，重复S2至S4，直至达到迭代停止条件，并将所有基分类器结果求和得到最终的输出，以实现对所述目标域无标签数据的识别。
本实施例中，其中操作S2～S4会循环K次，循环过程中S3和S4会交替生成基分类器，所以第k次循环中分别生成的是第2k-1和2k个基分类器。不断训练得到新的基分类器，期间每一步样本更新的权重会作为下一次迭代中样本的权重来计算损失；最后将所有基分类器结果求和得到最终的输出。
实施例二
一种基于集成学习和迁移学习的情感识别装置，包括：
数据处理单元，用于利用源域有标签数据对情感识别模型进行预训练，再利用预训练后的情感识别模型对目标域无标签数据进行预测，并选择前若干高置信度的预测结果作为伪标签，得到目标域带伪标签数据；所述情感识别模型包括特征提取器和分类器，特征提取器用于从原始脑电信号中提取特征，分类器用于识别情感类别；
特征映射单元，用于对提取好的数据特征进行随机非线性映射；
第一训练单元，用于利用映射后的源域有标签数据和目标域带伪标签数据构造第一数据样本集，训练一个基分类器；其中，若存在样本属于源域有标签数据且预测结果错误，则将该样本的权重置零；
第二训练单元，用于利用映射后的目标域带伪标签数据和目标域其余标签数据构造第二数据样本集，通过约束样本加入随机扰动前后模型输出一致的方式来训练另一个基分类器；其中，所述目标域其余标签数据的标签通过所述第一训练单元训练后的基分类器计算得到；
情感识别单元，用于重复所述特征映射单元、第一训练单元及第二训练单元的操作，直至达到迭代停止条件，并将所有基分类器结果求和得到最终的输出，以实现对所述目标域无标签数据的识别。
相关技术方案同实施例一，在此不再赘述。
实施例三
一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如实施例一所述的基于集成学习和迁移学习的情感识别方法。
相关技术方案同实施例一，在此不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于集成学习和迁移学习的情感识别方法，其特征在于，包括：
S1，利用源域有标签数据对情感识别模型进行预训练，再利用预训练后的情感识别模型对目标域无标签数据进行预测，并选择前若干高置信度的预测结果作为伪标签，得到目标域带伪标签数据；所述情感识别模型包括特征提取器和分类器，特征提取器用于从原始脑电信号中提取特征，分类器用于识别情感类别；
S2，对S1中提取好的数据特征进行随机非线性映射；
S3，利用经S2映射后的源域有标签数据和目标域带伪标签数据构造第一数据样本集，训练一个基分类器；其中，若存在样本属于源域有标签数据且预测结果错误，则将该样本的权重置零；
S4，利用经S2映射后的目标域带伪标签数据和目标域其余标签数据构造第二数据样本集，通过约束样本加入随机扰动前后模型输出一致的方式来训练另一个基分类器；其中，所述目标域其余标签数据的标签通过S3训练后的基分类器计算得到；
S5，重复S2至S4，直至达到迭代停止条件，并将所有基分类器结果求和得到最终的输出，以实现对所述目标域无标签数据的识别。
2.根据权利要求1所述的基于集成学习和迁移学习的情感识别方法，其特征在于，所述S2中，随机非线性映射的过程表示为：
hl(z)＝δ[ZS(zτMk，μ，σ)]，
zS(zτMk，μ，σ)＝(zτMk-μ)./σ，
其中，hk(z)表示映射后的特征，δ表示任意一种非线性映射激活函数，Z＝[z1，z2，…，zn]表示所有样本组成的数据矩阵，n为样本个数，zτ表示z的转置，Mk表示一个随机生成的矩阵，μ和σ分别表示ZτMk的均值和标准差，点号.表示元素对元素运算。
3.根据权利要求1所述的基于集成学习和迁移学习的情感识别方法，其特征在于，所述S3中，在第k次循环时，第2k-1个基分类器的损失函数表示为：
Figure FDA0004041903120000021
其中，其中NT和NS分别表示目标域带伪标签数据、源域有标签数据的样本数量；l表示交叉熵损失，xi和yi分别表示第i个样本的特征和标签；f2k-1代表第2k-1个基分类器，F2k-2代表当前步骤之前所有已经训练好的基分类器的和。
4.根据权利要求3所述的基于集成学习和迁移学习的情感识别方法，其特征在于，所述S3中，在求解第2k-1个基分类器的损失函数时，利用泰勒展开，将多分类的损失转化为一系列二分类损失的和。
5.根据权利要求1所述的基于集成学习和迁移学习的情感识别方法，其特征在于，所述S4中，在第二数据样本集中，给目标域其余标签数据的特征上均加入一个扰动，所述扰动由随机生成的高斯噪声组成；再通过约束加入扰动前后两组数据经过模型的输出一致来训练另一个基分类器。
6.一种基于集成学习和迁移学习的情感识别装置，其特征在于，包括：
数据处理单元，用于利用源域有标签数据对情感识别模型进行预训练，再利用预训练后的情感识别模型对目标域无标签数据进行预测，并选择前若干高置信度的预测结果作为伪标签，得到目标域带伪标签数据；所述情感识别模型包括特征提取器和分类器，特征提取器用于从原始脑电信号中提取特征，分类器用于识别情感类别；
特征映射单元，用于对提取好的数据特征进行随机非线性映射；
第一训练单元，用于利用映射后的源域有标签数据和目标域带伪标签数据构造第一数据样本集，训练一个基分类器；其中，若存在样本属于源域有标签数据且预测结果错误，则将该样本的权重置零；
第二训练单元，用于利用映射后的目标域带伪标签数据和目标域其余标签数据构造第二数据样本集，通过约束样本加入随机扰动前后模型输出一致的方式来训练另一个基分类器；其中，所述目标域其余标签数据的标签通过所述第一训练单元训练后的基分类器计算得到；
情感识别单元，用于重复所述特征映射单元、第一训练单元及第二训练单元的操作，直至达到迭代停止条件，并将所有基分类器结果求和得到最终的输出，以实现对所述目标域无标签数据的识别。
7.一种电子设备，其特征在于，包括：
处理器；
存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如权利要求1-5中任一项所述的基于集成学习和迁移学习的情感识别方法。
CN202310020744.9A 2023-01-06 2023-01-06 一种基于集成学习和迁移学习的情感识别方法及装置 Pending CN116089874A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310020744.9A CN116089874A (zh) 2023-01-06 2023-01-06 一种基于集成学习和迁移学习的情感识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310020744.9A CN116089874A (zh) 2023-01-06 2023-01-06 一种基于集成学习和迁移学习的情感识别方法及装置

Publications (1)

Publication Number Publication Date
CN116089874A true CN116089874A (zh) 2023-05-09

Family

ID=86186465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310020744.9A Pending CN116089874A (zh) 2023-01-06 2023-01-06 一种基于集成学习和迁移学习的情感识别方法及装置

Country Status (1)

Country Link
CN (1) CN116089874A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679981A (zh) * 2023-08-03 2023-09-01 北京电科智芯科技有限公司 一种基于迁移学习的软件***配置调优方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679981A (zh) * 2023-08-03 2023-09-01 北京电科智芯科技有限公司 一种基于迁移学习的软件***配置调优方法及装置
CN116679981B (zh) * 2023-08-03 2023-11-24 北京电科智芯科技有限公司 一种基于迁移学习的软件***配置调优方法及装置

Similar Documents

Publication Publication Date Title
CN113610126B (zh) 基于多目标检测模型无标签的知识蒸馏方法及存储介质
CN107480261B (zh) 一种基于深度学习细粒度人脸图像快速检索方法
Chen et al. Automatic social signal analysis: Facial expression recognition using difference convolution neural network
CN112257449B (zh) 命名实体识别方法、装置、计算机设备和存储介质
Bargshady et al. The modeling of human facial pain intensity based on Temporal Convolutional Networks trained with video frames in HSV color space
CN111598041B (zh) 一种用于物品查找的图像生成文本方法
CN110705490B (zh) 视觉情感识别方法
CN114896434B (zh) 一种基于中心相似度学习的哈希码生成方法及装置
Xu et al. Weakly supervised facial expression recognition via transferred DAL-CNN and active incremental learning
An et al. Pedestrian re-identification algorithm based on visual attention-positive sample generation network deep learning model
CN113642482A (zh) 一种基于视频时空上下文的视频人物关系分析方法
CN116089874A (zh) 一种基于集成学习和迁移学习的情感识别方法及装置
Hu et al. An efficient Long Short-Term Memory model based on Laplacian Eigenmap in artificial neural networks
CN114708609B (zh) 一种基于持续学习的域适应骨架行为识别方法和***
Okokpujie et al. Predictive modeling of trait-aging invariant face recognition system using machine learning
Pereira-Ferrero et al. Feature augmentation based on manifold ranking and LSTM for image classification
CN107341471A (zh) 一种基于双层条件随机场的人体行为识别方法
Gong et al. Human interaction recognition based on deep learning and HMM
CN113076905A (zh) 一种基于上下文交互关系的情绪识别方法
Chen et al. Deep sparse autoencoder network for facial emotion recognition
Buckchash et al. Sustained self-supervised pretraining for temporal order verification
CN115035595A (zh) 一种基于时空信息转移知识蒸馏技术的3d模型压缩方法
CN114612713A (zh) 人体活动的识别方法、***、计算机设备及存储介质
Ajallouda et al. Automatic keyphrases extraction: an overview of deep learning approaches
CN114037866A (zh) 一种基于可辨伪特征合成的广义零样本图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination