CVPR2018论文 A Compact Deep Learning Model for Robust Facial Expression Recognition

1、主要贡献
提出了一种基于图像帧及图像序列的表情识别架构，在性能相当的情况下，极大减少了卷积核个数，缓解了实验参数存储问题；提出了一种混合光照增强方案，缓解了训练过程中的过拟合问题；收集了三个表情识别数据集，推动了表情识别技术落地于便携式设备。
2、实现过程

图1. 基于图像帧的表情识别方案整体架构

图2. 基于图像帧的表情识别方案卷积神经网络详情

图3. 基于图像序列的表情识别方案总体结构
注意问题：
人脸检测与定位采用 CVPR2013：Supervised descent method
and its applications to face alignment中的方法，预处理后图像的尺寸统一为120x120。
为降低卷积神经网络中的参数，图2中前两个卷积核个数可均降低为16个，后两个卷积核的个数可均降低为32个，其识别率略微下降，但变化不大，但参数个数大规模减少。图2中PReLU就是指的ReLU。
基于图像序列的表情识别方案中的卷积神经网络采用图2所示结构，Gated Recurrent Unit 就是采用经典的GRU算法，包含128个隐层和一个softmax层。
混合光照增强方案取现有方案histogram equalization 和 linear mapping的线性加权，实验中权重均取0.5。
3、结论
表情数据库CK+下性能对比