-
公开(公告)号：CN111695427B
公开(公告)日：2022-11-15
申请号：CN202010383157.2
申请日：2020-05-08
Applicant: 东南大学
IPC: G06V40/16
Abstract: 本发明公开了一种基于稀疏共享迁移回归模型的跨库微表情识别架构，架构主要包括基于源域和目标域微表情数据库的特征提取、学习优化一种更加共享的迁移回归模型和针对目标域微表情数据库样本的识别。本发明从均值和协方差矩阵角度来减小源域和目标域的分布差异，将标签的源域和未标签的目标域映射到公共的特征空间，再通过优化稀疏回归系数矩阵对三个时空描述符进行大量的实验。在与其他7种领域自适应的方法进行比较的过程中，证明了所提出发明确实优于另外7种方法。
-
公开(公告)号：CN115171662A
公开(公告)日：2022-10-11
申请号：CN202210748096.4
申请日：2022-06-29
Applicant: 东南大学
Abstract: 本发明公开了一种基于CISF模型的跨库语音情感识别方法及装置，方法包括：(1)获取两个语音情感数据库，分别作为训练数据库和测试数据库：(2)提取训练数据库和测试数据库中具有相同情感类别标签的语音样本，分别作为源域样本和目标域样本，并提取源域样本和目标域样本的IS09特征作为样本特征；(3)建立语料库无关显著性特征选择模型(4)对所述语料库无关显著性特征选择模型进行学习，得到投影矩阵U的最优值(5)对于待识别语音，提取IS09特征，并采用学习到的投影得到对应的情感类别。本发明识别准确率更高。
-
公开(公告)号：CN114898778A
公开(公告)日：2022-08-12
申请号：CN202210534999.2
申请日：2022-05-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于注意力时频网络的语音情感识别方法及系统，本发明首先通过样本特征提取模块获取的对数梅尔频谱特征鲁棒性更好，然后通过时频注意力网络和编码器获得具有与异常噪声(如背景噪声、说话人身份、语种等)无关但与情感有关的泛化性的特征，最后利用情感分类器模块进一步增强获得特征的情感判别性和与噪声无关的泛化性，本发明识别效果更好、识别率更高。
-
公开(公告)号：CN110353675B
公开(公告)日：2022-06-28
申请号：CN201910747637.X
申请日：2019-08-14
Applicant: 东南大学
IPC: A61B5/369 , A61B5/16 , G06V10/764 , G06V10/82 , G06V10/774 , G06V10/80
Abstract: 本发明公开了一种基于图片生成的脑电信号情感识别方法，其中方法包括：(1)获取用户处于不同情感时的原始脑电信号；(2)将原始脑电信号去噪后通过带通滤波器提取多个频段信号，并计算每个频段信号的微分熵作为脑电特征；(3)将每个脑电特征数据通过插值生成一张图片，将所有生成的图片串接起来作为脑电特征图片；(4)构建情感判别网络，包括主分支、注意力分支、特征提取单元、图卷积分支和全连接层；(5)将脑电特征图片输入所述情感判别网络进行训练；(6)按照步骤(1)‑(3)提取待识别脑电信号的脑电特征图片，并输入到训练好的情感判别网络，选取概率最大的情感类别作为识别的情感类型。本发明识别准确率更高。
-
公开(公告)号：CN114140843A
公开(公告)日：2022-03-04
申请号：CN202111320516.0
申请日：2021-11-09
Applicant: 东南大学
IPC: G06V40/16 , G06K9/62 , G06V10/774
Abstract: 本发明公开了一种基于样本自修复的跨数据库表情识别方法，包括如下步骤：(1)获取两个表情数据库，分别作为训练数据库和测试数据库；(2)从训练数据库和测试数据库中的表情图片中提取出灰度人脸图像，再经过特征提取网络提取人脸表情特征；(3)建立离群感知模型；(4)建立离群修复模型；(5)建立特征转移模型；(6)将得到的特征向量经过一个全连接层，在全连接层后添加softmax层，计算加权交叉熵以压制离群数据；(7)对于训练数据库表情，按照步骤(2)～(6)训练得到样本自修复网络；(8)对于待识别的测试数据库表情，按照步骤(2)、(5)、(6)，输出即为识别出的表情类别。本发明识别准确率更高，更方便。
-
Patent Agency Ranking
公开(公告)号：CN113555038A
公开(公告)日：2021-10-26
申请号：CN202110758039.X
申请日：2021-07-05
Applicant: 东南大学
IPC: G10L25/63 , G10L25/51 , G10L25/30 , G10L25/24 , G10L25/03 , G10L17/02 , G10L17/18 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于无监督领域对抗学习的说话人无关语音情感识别方法及系统，对情感语音数据进行预处理，获得高质量的情感语音样本，从所述情感语音样本中提取出单通道梅尔频谱作为时频特征，对所述时频特征经过深度卷积神经网络，得到语音情感的局部特征和全局特征，作为分层特征，建立无监督的深度领域对抗神经网络，将有标签的训练数据和无标签的测试数据提取分层特征后作为输入，对深度领域对抗网络进行训练，将待识别的情感语音数据预处理后输入训练好的深度领域对抗网络，得到语音情感识别结果。本发明识别效果更好、识别率更高。
-
公开(公告)号：CN107886942B
公开(公告)日：2021-09-28
申请号：CN201711055574.9
申请日：2017-10-31
Applicant: 东南大学
Abstract: 本发明公开了一种基于局部惩罚随机谱回归的语音信号情感识别方法，对带有情感信息的语段信号样本进行副语言特征提取、数据映射、局部惩罚嵌入图设计和图分解、回归、分类器分类判决。其中在数据映射阶段，使用了随机生成点进行非线性特征映射；在局部惩罚嵌入图设计和图分解阶段，使用了局部惩罚嵌入图，以加大对类间边缘样本对之间的惩罚权重，生成训练样本的虚拟坐标。与现有方法相比，本发明的方法在语音信号情感识别方面，能够有效地提升系统的识别性能。
-
公开(公告)号：CN111259761A
公开(公告)日：2020-06-09
申请号：CN202010030240.1
申请日：2020-01-13
Applicant: 东南大学
Abstract: 本发明公开了一种基于可迁移注意力神经网络的脑电情感识别方法及装置，其中，方法包括：(1)获取一个脑电情感数据库，分为训练集和测试集；(2)建立基于可迁移注意力神经网络的脑电情感识别网络，所述脑电情感识别网络包括特征提取器和情感分类器，所述特征提取器包括依次连接的深度特征提取模块、局部注意力子网和全局注意力子网；(3)网络进行训练，总损失为情感分类器损失加上注意力熵损失后再减去注意力子网和全局注意力子网损失，通过随机梯度下降法更新网络参数；(4)提取待识别的脑电情感数据，将其作为一个测试集样本输入训练好的脑电情感识别网络，并按照步骤(3)对脑电情感识别网络调整，得到识别的情感类别。本发明识别准确率更高。
-
公开(公告)号：CN111259759A
公开(公告)日：2020-06-09
申请号：CN202010030236.5
申请日：2020-01-13
Applicant: 东南大学
IPC: G06K9/00 , G06F17/18 , G06F16/75 , G06F16/78 , G06F16/783
Abstract: 本发明公开了一种基于域选择迁移回归的跨数据库微表情识别方法及装置，包括：(1)获取两个微表情数据库，分别作为训练数据库和测试数据库，其中，每个微表情数据库中包含有若干微表情视频和对应的微表情类别标签；(2)将训练数据库和测试数据库中的微表情视频转换为微表情图像序列，并从中提取出灰度人脸图像，再经过分块后提取人脸局部区域特征；(3)建立域选择迁移回归模型，并采用人脸局部区域特征对其进行学习，得到一个连接人脸局部区域特征与微表情类别标签之间的稀疏投影矩阵；(4)对于待识别的微表情，按照步骤(2)得到人脸局部区域特征，并采用学习到的稀疏投影矩阵，得到对应的微表情类别标签。本发明准确率更高。
-
公开(公告)号：CN111128368A
公开(公告)日：2020-05-08
申请号：CN201911053897.3
申请日：2019-10-31
Applicant: 东南大学
Abstract: 本发明公开了一种基于视频表情行为分析的孤独症谱系障碍自动检测方法及装置，包括：S1、视频采集：采集被试幼儿和照顾者在静止脸范式条件下静止脸期间互动过程中幼儿的视频数据；S2、人脸预处理：检测视频中被试幼儿的人脸位置，裁剪出人脸区域，并对不同姿态的人脸进行校正和归一化；S3、表情行为指标特征提取：从预处理好的人脸图像上提取纹理特征，对输入的纹理特征分类，得到人脸运动单元预测结果，再将该结果作为输入信号，对信号在时间维度上按窗长统计，得到表情分段统计特征，进而作为表情行为指标特征；S4、高危孤独症谱系障碍风险预测：利用表情行为特征预测幼儿是否为高危孤独症谱系障碍。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.073 seconds)
