基于改进ResNet和损失函数的表情识别

摘要

在人脸表情识别的研究中,运用深度学习方法训练网络,需要大量标注准确的数据,但由于人脸表情的复杂性,数据集存在类别数量不均衡问题,并且由于人脸部的特征比较复杂,难以精确提取对表情识别有用的特征,对人脸表情识别的研究是一个很大的挑战。针对这些问题,该文提出一种基于改进ResNet网络和损失函数的人脸表情识别方法。首先,对ResNet网络进行改进,在网络中嵌入CBAM注意力机制模块,提升模型的关键特征提取能力;然后,针对数据集类别数量不均衡影响模型识别性能的问题,采用数据集增强和加权损失函数的方法对模型进行优化。通过实验验证,该文构建的网络模型在CK+和Fer2013表情数据集上识别效果得到提升,优于部分同类型的方法。