卷积神经网络－目标分类

• 目标分类基本框架
  • 数据准备
    • 数据来源
    • 数据扩充 ：局部切割
  • 模型设计
    • 任务类型
      • 分类
      • 分类+回归
      • 多目标分类
  • 训练细节
    • 数据循环方式
    • 网络深度宽度确定
    • 损失函数设计
    • 学习率变化方式
    • 评价方式：准确率，F1 score
    • 卷积层数多比较好，参数更少，效率变高
    • 分类：softmax，直接拟合
• 如何进行面部行为识别
  • 神经网络
    • 不需要预处理，自动进行局部探测
    • 不要所有区域都处理
    • 重要区域之间不会影响削弱学习效果
  • 注意力网络 attention layer
    • 找到人脸关键点
    • 行为单元中心
    • 由中心生成生意力图
    • 注意力网络添加
  • 局部学习网络
    • 对区域的分布能够自动适应
      • 分割区域
  • 网络合并
  • 不用提前进行面部对准
  • 脸部各个行为单元局部针对学习
  • 根据控制肌肉的分布以及人脸特征点检测结果确定区域，更具有合理性以及可操作性