增强多功能面部表情识别的功能选择,使用量子启发的火虫算法和人工蜂群算法的混合体.
Mu Panliang1, Sanjay Madaan2, Siddiq Ahmed Babikir Ali3
1National Key Laboratory of Fundamental Science on Synthetic Vision, College of Computer Science, Sichuan University, Chengdu, 610017, China.
Scientific reports
|February 7, 2025
概括
一个新的混合算法,QIFABC,通过改善多功能分析的特征选择来提高面部表情识别 (FER) 的准确性. 这种方法提高了像ResNet-50这样的深度学习模型在识别不同头部角度的情绪方面的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 面部表情识别 (FER) 对人工智能应用,如医疗保健和人机交互至关重要.
- 准确的FER在很大程度上依赖于有效的特征选择,特别是对于各种姿势.
- 现有的方法往往难以达到多功能FER系统所需的稳定性.
研究的目的:
- 提出一种新的混合算法,QIFABC (混合量子启发的火虫和人工蜂群算法),用于在多位FER中增强特征选择.
- 为了提高面部表情识别系统在各种头部姿势中的准确性和稳定性.
- 评估QIFABC与单个算法的有效性,并评估其与深度神经网络的性能.
主要方法:
- 开发了QIFABC算法,集成量子灵感火虫算法 (QIFA) 进行初始搜索和人工蜂群 (ABC) 进行精细搜索.
- 采用QIFABC进行特征选择,与QIFA,火算法 (FA) 和ABC进行比较.
- 利用所选特征来训练和评估ResNet-50深度神经网络模型用于面部表情分类.
主要成果:
- 与QIFA,FA和ABC相比,QIFABC算法展示了优越的特征选择能力.
- 使用QIFABC与ResNet-50的FER系统在RaF和KDEF数据集上的多种姿势中实现了高精度.
- 具体精度达到了98.93% (正面姿势,RaF数据集) 和98.47% (正面姿势,KDEF数据集).
结论:
- 拟议的QIFABC算法显著增强了多功能面部表情识别的特征选择.
- QIFABC提供了更好的稳定性和准确性,在FER任务中表现优于单个算法.
- 混合方法为开发更有效的FER系统,集成深度学习提供了一个有希望的方向.
关键词:
人工蜜蜂殖民地深度学习是一种深度学习.面部表情识别 面部表情识别功能选择 功能选择飞算法 飞算法这是一种元启发式 (metaheuristic) 启发式.多功能表达式 多功能表达式量子计算是一种量子计算.更多相关视频
08:13SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware
Published on: December 25, 2017
8.1K
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
7.4K
