基于分离混合注意力机制的人脸表情识别

近年来,人脸表情识别研究因机器学习的引入取得了显著的进步,但由于光照变化、人脸姿态等原因使得人脸表情识别准确率一直不高。提出了一种基于混合注意力机制网络的方法,把通道注意力和空间注意力机制分离,增强网络的通道特征和跨通道相关性学习能力。在注意力机制后增加软阈值机制以抑制噪声,在网络损失函数中迭加类中心损失减小类内差异,通过预处理提高网络的泛化能力。实验结果表明,该方法在人脸数据集CK+和fer2013上准确率比主流方法更高,所用参数更少,收敛性更好。     

基于改进融合深度强化学习的机器人路径规划

为解决深度强化学习中的收敛慢和过估计问题，提出一种改进融合深度强化学习的方法。引入人工势场中的受力作为深度强化学习的奖励值，引导机器人避开障碍向目标移动，提升深度强化学习网络的收敛性；融合平均DQN和双DQN方法DDQN,把平均DQN用于DDQN的目标网络，解决过估计问题；把浅层特征作为深层网络输入进一步提升学习效果。与其它方法对比实验结果表明，改进后的方法能够提升训练网络的收敛性，更好地解决过估计问题。机器人使用改进后的方法得到的奖励值更大，规划的路径更优。