随着年龄的增长，人脸纹理、形状等特征会发生非线性变化，且不同个体之间的变化过程不尽相同，从而导致模型的识别性能有所下降.现有的主流方法是将人脸特征分解为身份特征和年龄特征，证实了身份特征和年龄特征具有非线性关系，但仍无法彻底将身份特征和年龄特征完全分解，即分解后的身份特征仍包含年龄相关信息.针对上述问题，提出一种基于高斯分布概率模型的跨年龄人脸识别模型(Probabilistic Face CNN，PF-CNN)，在生成身份特征的同时，用高斯分布概率模型描述年龄因素对身份特征的影响.首先，使用深度卷积神经网络构建特征提取单元模块，提取人脸相关信息，并加入注意力机制，利用空间注意力模块和通道注意力模块提取更有效的人脸特征信息;然后将人脸特征信息表示为一种高斯概率分布，其中该分布的均值视作人脸的身份特征，方差视作为年龄因素对人脸的身份特征的影响，通过不断学习均值和方差的特征向量来生成人脸的高斯概率分布表示，而非学习固定的身份特征向量.所实现的模型在CACD-VS、Morph2数据集上分别进行实验，通过对不同基准模型、训练数据集和指标的实验比较，表明该模型可以有效降低年龄因素对跨年龄人脸识别精度的影响，相比现有方法识别率有一定提升.
细粒度情绪识别模型采用几十种情绪类别对人类情绪进行建模，能够比传统模型更准确地捕捉人们表达的细微情绪。然而，现有的情绪预测模型并未充分考虑到数量众多的细粒度情绪之间存在的复杂相关性。针对这一问题，本文提出了一种融合VAD(Valence-Arousal-Dominance，效价-唤醒-支配)知识的情感分布增强细粒度情绪识别方法（VAD Emotion Distribution Augmented BERT for Fine-grained Emotion Recognition,EDA-BERT）。EDA-BERT模型采用情感分布建模VAD空间中情绪的相关性，结合文本语义信息与心理学先验知识进行细粒度情绪识别。EDA-BERT模型包括语义信息模块、情感分布信息模块和融合预测模块。语义信息模块通过预训练的BERT模型提取文本的语义特征；情感分布信息模块基于VAD距离度量情绪间的相似度，为情感词生成情感分布；融合预测模块则利用注意力机制将文本语义信息与情感分布信息整合，并实现情绪预测。在GoEmotions数据集上的实验结果表明，EDA-BERT模型的宏平均F1值达到51.75%，优于使用情感词典作为外部知识的KEA-BERT模型和采用情绪层级关系作为外部知识的HGCN-EC模型。特别是在三个样本量较少的情绪类别上，EDA-BERT的F1值显著高于其他模型。实验结果验证了通过情感分布建模VAD空间中情绪的相关性，可以有效学习罕见情绪的相关知识，从而提升模型对细粒度情绪的识别能力。
暂无评论