【《基于循环生成对抗网络的面部表情转换机制分析》1300字】

基于循环生成对抗网络的面部表情转换机制分析目录TOC\o"1-3"\h\u5491基于循环生成对抗网络的面部表情转换机制分析 1218931.1情绪转换机制功能分析 1203151.2情绪转换机制的网络结构 1214831.3损失函数 21.1情绪转换机制功能分析在本文中，面部表情情绪变换是指在输入一张人脸图片后能对人物的面部表情进行特点的编辑，使其能够转换成微笑，高兴，惊讶，难过等表情中的一种。并且将转换后的图片显示在图片上且保存到本地文件夹中。在完成面部表情转换的过程中，图像中人物的面部内容（包括头部姿势，发型，发色，面部轮廓，配饰，背景等）已确定的内容不应被改变。在转换后要尽可能地保留这些语义信息从而维持与原图人物在语义内容上的一致性。此外，该面部表情转换机制还需要一个简单的可视化界面，使用户能够通过简单的点击按钮就能实现对图片的输入转换以及输出保存功能。如果能将转换结果与原图像进行对比显示则更能体现转换机制的效能。此外转换效率应足够高效，做到点击按钮就能完成转换的效果。1.2情绪转换机制的网络结构转换机制的网络结构主要由生成器（图3-1）和判别器（图3-2）组成。在二维卷积层中特征提取过程中，生成器具有64个滤波器。在训练的过程中使用“7*7”的卷积核（滤波器）能逐层获取较高的激活值从而提取高维度特征；在训练期间二维批处理规范层会持续运行其估计值计算的平均值和方差，再用于归一化评价。使用ReLU激活函数能加快收敛速度，其带有卷积图像的输入的最大值，并且由于激活函数的计算步骤位于卷积之后，无论shape的输入数目附加维度，输出与输入拥有同样的属性；图中的虚线框中代表的ResidualBlock是模型的一个残差块，其残差优化能力使得前向传播算法更加平稳，并进一步简化优化深度模型。PixelShuffle是PyTorch中特有的函数。图3-1生成器模型判别器的输入为生成图片或者真实图片，其结构大部分与生成器相似，但是其激活函数为LeakyReLU。输入层和隐藏层均采用stridesize为2，paddingsize为1，卷积核大小为4*4的卷积层。输出的大小为H*W，输出要素的数量等于输入平面的数量。图3-2判别器模型1.3损失函数从本实验的模型上看，CycleGAN由生成器N2P和生成器P2N以及判别器P和判别器N构成[33]。在原始GAN网络的对抗损失的基础上，CycleGAN还增加了特殊的循环一致损失（cycle-loss）去保持整个循环的一致性。比如在本实验中，我们将一张非笑脸图像Real输入到生成器N2P中得到一张笑脸图Fake，再把这张笑脸图Fake输入到生成器P2N中得到非笑脸图像Fake。在理想情况下，非笑脸图像Real与非笑脸图像Fake一致，构成一个完整的循环。如果没有循环一致性损失，生成器生成的图像可能能够成功欺骗判别器，但是与原始图像差别过大，并不能得到理想结果。生成器的损失函数公式（3-1）以N2P为例，式中：为由neg生成的pos与真实pos的损失值；为经过两次转换后生成的neg与原始neg的损失值；为生成的pos与原始neg的损失值；与机器学习的其他算法一样，这个过程实际上是通过动态修正参数θ来降低误差值。因为非线性越强的参数能使曲线更加曲折所以能更准确的拟合分布上的数据[34]。其误差为：公式（3-2）公式（3-3）判别器的损失函数公式（3-4）实际上是将以下四个部分分别取四分之一再求和：生成的neg在neg判别器与伪造值的损失值、生成的pos在pos判别器与伪造值的损