[发明专利]一种基于多任务、多标签的残差神经网络的情绪检测方法

摘要

本发明公开了一种基于多任务、多标签的残差神经网络的情绪检测方法，属于服务计算技术领域，该方法利用了跨领域数据集的优势，在不同领域的数据集上进行情感极性的检测。在本发明中，通过应用多任务学习损失函数与其他相关任务共享共同的特征表示。特别地，通过联合学习模型和面部动作单元的检测器来表明情感识别的好处。所提出的损失函数解决了利用异构标记数据学习多个任务的问题，改进了先前的多任务方法。通过利用SFEW2.0数据集与EmotioNet数据集对多个任务与多个标签进行实验以进行情绪的检测与分类。结果分析表明，本发明具有较好的通用性，精度达到了92.1%，能够胜任大部分的检测任务。

主权项

1.一种基于多任务、多标签的残差神经网络的情绪检测方法，其特征在于，包括以下步骤：步骤1：收集数据集文档，数据集文档包括两部分：SFEW2.0数据集与EmotioNet数据集；两个数据集包含七类情绪：生气、厌恶、恐惧、快乐、悲伤、惊讶和中立，因此将数据集的标签定义为七类；步骤2：使用one‑hot工具将标签转化为one‑hot向量，并将两个数据集的标签向量进行连接，然后通过深度残差神经网络提前加载CIFAR10数据集的权重，并将两类数据集中的图片数据，放入处理多任务的深度残差神经网络中；步骤3：对该深度残差神经网络进行训练，利用本发明单独定义的损失函数来进行反向传播，不断修改模型参数使分类效果达到最优。