1.一种融合不确定性估计与主动学习的表情识别方法,其特征在于,包括如下步骤:步骤1、构建第一阶段:对比预训练学习框架;
步骤2、构建SimCLR:对比预训练表情识别网络,是由骨干网络、全局平均池化层、投影头、动态重标注模块构成;
步骤3、构建基于不确定性估计的重标注模块,主要包括自注意力权重模块,对数加权交叉熵损失,正则化排序和动态阈值重标注;
步骤4、主动学习。
2.如权利要求1所述的融合不确定性估计与主动学习的表情识别方法,其特征在于,所述步骤1包括子步骤:步骤1.1、数据采样:选定数据集并通过随机采样人脸图像得到人脸图象数据集X={X步骤1.2、分别对数据集X中的每张人脸做调整图象大小,归一化像素值操作,接着应用随即变换(旋转、裁切、颜色等调整)来得到数据增强图象X'={X'
3.如权利要求1所述的融合不确定性估计与主动学习的表情识别方法,其特征在于,所述步骤2包括子步骤:步骤2.1、所述骨干网络网络是ResNet18网络,并依次包括第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块、第六全连接块;
第一卷积块的卷积核为m
步骤2.2、将X',X”分别输入所述骨干网络中进行处理,并依次经过五个卷积块的处理后,分别输出第k张增强图形特征图F'步骤2.3、对比损失计算和训练,计算正样本对z式(1)z
4.如权利要求1所述的融合不确定性估计与主动学习的表情识别方法,其特征在于,所述步骤3包括子步骤:步骤3.1、计算自注意力权重:将F”式(2)中,α
步骤3.2、利用公式(3)计算对数加权交叉熵损失L其中W
步骤3.3、正则化排序:首先对注意力权重进行降序排序,然后比例将其分为高标准差注意力权重组aL
式(4)中,其中δ
L
式(5),中γ是权衡比;
步骤3.4、动态阈值重新标记:不确定样本通常表现出较低的重要权重,即a式(6)中,δ
式(7)中,increase和decrease表示每次调整的幅度大小;
步骤3.5、基于总体损失函数L
5.如权利要求4所述的融合不确定性估计与主动学习的表情识别方法,其特征在于,所述步骤4包括子步骤:步骤4.1、将人脸数据集X划分为一个小规模的已标注数据集步骤4.2、最小置信度法:
设置学习轮数为7,在每一轮主动学习中,模型M步骤4.3、使用更新后的已标注数据集D