7、卷积神经网络在面部表情识别中的应用与分析

卷积神经网络在面部表情识别中的应用与分析

1. 实验设置

为了确保各神经网络架构在相同条件下进行训练，所有神经网络架构均在同一数据子集上进行训练。不过，使用人工数据生成的实验除外，因为这些数据是在运行时随机创建的。具体人工数据生成规则如下：
- 基础训练数据集中的每张图像有 50% 的概率生成一个翻转副本。
- 基础训练数据集中的每张图像有 50% 的概率生成一个平移副本。该副本在水平轴（偏移量在 5 到 15 列之间，随机决定）和平行轴（偏移量在 5 到 10 行之间）上平移的概率相同。
- 基础训练数据集中的每张图像有 25% 的概率生成一个去除部分块的副本。块的数量和大小随机决定，可为 1 到 3 个块，每个块的宽度和高度在 5 到 15 像素之间。

在评估每个卷积神经网络时，始终使用相同的测试集，并研究每个训练模型的精度、召回率和准确率。

2. 不同架构模型实现与结果

2.1 Le - Net 5

使用该架构实现了 3 个模型，具体改动如下：
- 实现 1：将最后一个连接层改为包含 7 个神经元，因为要分类的类别数为 7。
- 实现 2：在变体 I1 中，将 tanh 激活函数替换为 ReLU 函数。
- 实现 3：在变体 I2 中，将均值下采样改为最大值下采样，并引入 dropout 和块归一化作为正则化方法，以防止数据集过拟合。

标签	精度	召回率	准确率