轉自：https://blog.csdn.net/app_12062011/article/details/80482048

EmotiW 2015 LBP特徵輸入到CNN模型中，並經過特殊對映，得到高於基線15%的效能提升。

作者採用了：

• 4個cnn模型VGG S,VGG M-2048,VGG M-4096和GoogleNet
• 5種不同特徵作為CNN輸入 （RGB, LBP，以及作者額外三種處理的LBP特徵）
• 進行了20次實驗。實驗中10個最好的model中只有一個是RGB作為輸入的。
• 

由於LBP的差值不能反映兩點間的差異，作者提出了mapping方法讓其差異能代表兩點真實差距。 將影象轉換為LBP程式碼，使模型對照明亮度變化具有魯棒性。如下圖：

LBP特徵不再多數，作者所謂的對映，是採用MDS，多維度壓縮方法，將LBP特徵值，對映到一個測地空間，MDS就是一種監督類維度歸約方法。

另外，作者同樣採用了中心 crop,上取樣等資料增強方式，提高精度。

給個結果：

說實話，效果不是很好，畢竟，只是對單一特徵的處理，改變提升不大。