37、基于面部特征堆叠的新型人类情绪识别模型研究

基于面部特征堆叠的新型人类情绪识别模型研究

1. 贡献与概述

本文的关键贡献在于提出了一种新颖的人类情绪模型。具体贡献如下：
- 学习模型 ：针对识别任务的学习模型，采用层堆叠方式，这是一个复杂的计算场景。在学习技术中，选择合适的层是一个反复试验的过程，错误的层选择会导致极低的识别率，且确定层的堆叠顺序是一项极具挑战性的任务。本文在 MobileNetV2 作为基础模型后，提出了一种新的堆叠安排。
- 数据集构建 ：采用了修改后的 FER2013 面部情绪识别数据集，并使用各种数据增强参数来完成相关任务。

文章结构如下：
1. 介绍情绪识别领域的相关信息和已确定的研究问题。
2. 介绍面部情绪识别领域的当前研究工作以及一些广泛使用的方法。
3. 描述所提出的方法，即合适的层堆叠如何影响识别率。
4. 描述所有实验设置，包括数据处理、模型比较以及与其他研究工作的对比。
5. 总结工作并展望未来的研究方向。

2. 相关工作

卷积神经网络（CNN）自 20 世纪 90 年代末首次出现以来，在图像处理领域展现出了巨大的潜力。以下是一些相关研究工作：
- 模型应用 ：
- Akhdand 使用 8 个预训练的深度卷积神经网络（DCNN）模型，并采用迁移学习避免从头开始训练，使用 10 折交叉验证和 KDRF、JAFFE 等著名数据集进行模型评估。
- 有研究采用带正则化的 VGG 模型，使用 sgd 作为优化器和其他优化方法，并使用显著性图进行可视化。 <