[發明專利]一種基于深度森林和遷移學習的情感分類方法

有效

• 申請號: 201811005176.0
• 申請日: 2018-08-30
• 公開（公告）號: CN109389037B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 劉小波;尹旭;蔡耀明;王瑞林
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 孫麗麗

1.一種基于深度森林和遷移學習的情感分類方法，其特征在于：包括以下步驟：

S101：選取源域數據集和訓練目標域數據集；源域數據集為帶標簽樣本的人臉數據集或者情感數據集，訓練目標域數據集為人臉情感圖像集；

S102：使用深度卷積神經網絡對源域數據集進行訓練，得到訓練好的特征提取模型，并將所述特征提取模型進行保存；

S103：對訓練目標域數據進行預處理，所述預處理包括通道轉換及尺寸裁剪；

S104：利用所述特征提取模型對預處理后的訓練目標域數據進行特征提取，得到樣本特征；

S105：將樣本特征作為深度森林分類模型的輸入，對深度森林分類模型進行訓練；

S106：當深度森林模型分類模型訓練完成后，利用訓練后的深度森林分類模型對實際需要處理的人臉情感圖像進行分類，得到所述人臉情感圖像的分類結果。

2.如權利要求1所述的一種基于深度森林和遷移學習的情感分類方法，其特征在于：在步驟S102中，深度卷積神經網絡選取于VGG16模型的前13層，VGG16模型的前13層為卷積層，用于圖像特征提取。

3.如權利要求1所述的一種基于深度森林和遷移學習的情感分類方法，其特征在于：在步驟S105中，所述深度森林分類模型采用級聯結構進行連接，每一層所包含的森林則為決策樹的集成；深度森林分類模型自動確定深度森林級聯的層數，其自動確定深度森林級聯的層數的方法為：每個森林通過k折交叉驗證生成類向量，即每個樣本數據作為k-1次的訓練樣本，產生k-1個類向量，并根據訓練目標域數據集中的人臉情感圖像得到驗證數據，當拓展產生新的一層森林時，整個深度森林框架的性能會根據驗證數據進行評估，如果整個深度森林框架的性能沒有明顯改善，則深度森林的層數不再增加，即深度森林的層數被確定。

4.如權利要求3所述的一種基于深度森林和遷移學習的情感分類方法，其特征在于：在深度森林分類模型的訓練過程中，每層使用Q個隨機森林和P個完全隨機樹森林，第一層將產生(Q+P)×C個特征，產生的特征向量將與原始特征向量連接并輸入到下一級，其中，C為類別個數；之后的每一層與此類似，直至倒數第二層。

5.如權利要求4所述的一種基于深度森林和遷移學習的情感分類方法，其特征在于：所述隨機森林是指：利用多棵決策樹對樣本數據進行訓練并預測的一種分類器，所述隨機森林中每棵樹的產生方法為：在整個特征空間中隨機選擇個特征作為候選特征，其中，d為輸入特征的個數，然后選擇具有最佳Gini值的特征作為節點的分裂特征；所述完全隨機樹森林是指：利用多棵決策樹對樣本進行訓練并預測的一種分類器，所述完全隨機樹森林中每棵樹的產生方法為：在整個特征空間中隨機選擇1個特征作為節點的分裂特征。

6.如權利要求1所述的一種基于深度森林和遷移學習的情感分類方法，其特征在于：在步驟S106中，取所述深度森林分類模型中最后一層所有森林輸出類概率的平均值中的最大值作為所述深度森林分類模型輸出的分類結果所對應的類別：Fin(c)＝Max_y{Ave._m[c₁₁,c₁₂,...,c_1y,c₂₁,c₂₂,...,c_2y,...c_m1,c_m2,...,c_my]}，其中，m為深度森林每層包含森林的個數，y為該數據集的類別的個數，c為單個森林的輸出類概率，Fin(c)為所述深度森林分類模型輸出的分類結果，Max_y為所述深度森林分類模型中最后一層所有森林輸出類概率的平均值中的最大值，Ave_.m為所述深度森林分類模型中最后一層所有森林輸出類概率的平均值。