1.摘要：

文章中提出的演算法：

1）針對靜態的影象：細節感知遷移網路

      資料集：CK+；Kaggle

2）針對視訊序列：利用多工學習的遞迴神經網路

      資料集：I-PFE

2.本文工作：

1）基於細節感知遷移網路的人臉表情識別：

傳統特徵提取方法存在的問題：光照、角度等影響

解決問題的方法：對抗網路（擴充資料集）+細節感知遷移網路（卷積神經網路）

2）基於視訊序列的多工遞迴神經網路結構：

編碼網路+時間遞迴神經網路+人臉身份識別網路+人臉表情識別網路

3.綜述：

1）基於深度學習的人臉檢測方法：

R-CNN：

SPP-Net : 解決輸入影象大小固定的問題

Fast R-CNN : 解決所有候選區都要輸入網路模型的問題

FacenessNet :專門用於人臉檢測

2)人臉對齊方法：

基於模型的人臉對齊方法：ASM  AAM

基於線性迴歸的人臉對齊方法：

基於非線性迴歸的人臉對齊方法：

3）人臉表情特徵提取方法：

Haar特徵：

LBP特徵：區域性二進位制模板

4）人臉表情識別方法：

針對影象中的靜態人臉表情識別：Bayes分類演算法、SVM、AdaBoost、基於CNN分類演算法

針對動態視訊中的動態人臉表情識別：HMM（隱馬爾可夫）模型

基於深度學習的人臉表情識別方法：

4.基於細節感知遷移網路的人臉表情識別方法：

1）人臉表情資料集：

CK+：123個物件的327個被標記的表情圖片序列、七種表情

Kaggle：28709張訓練樣本、3859張驗證資料集、3859張測試樣本、七種表情

2）基於對抗網路的資料集擴充：

基本思想：生成的資料與樣本資料儘量相似

D：輸出相似概率，越高越好   G：輸出生成資料與樣本的差異，越小越好

G網路：

           100維噪聲--->卷積--->反捲積（ReLU啟用函式）--->64*64影象

            反捲積：2*2--->4*4 特徵對映

D網路：

            每層用LeakyReLU啟用函式

3）細節感知遷移網路結構：

Batch Normalization（批規範化）：歸一化啟用操作前的輸入值

殘差網路：解決網路深度加深而準確度降低的問題

Dropout:一種歸一化技術，隨機丟掉一些隱藏節點，減少不同節點之間的相互作用

4）網路學習：

計算梯度（用來執行引數更新）的方法：SGD、AdaGrad、Adam

5）基於多網路融合的人臉表情識別：

基於區域融合的人臉表情識別：三個區域，SVM分類

基於提升的人臉表情識別：三個級聯的網路結構（兩層俊基神經網路，第三個為DPTL網路）

6）實驗結果：

基於細節感知遷移網路的實驗結果：

基於網路融合和網路提升的實驗結果：

5.基於視訊序列的多工遞迴神經網路人臉表情識別：

1）遞迴神經網路（RNN）