结合改进VGGNet和Focal Loss的人脸表情识别

摘要

针对目前表情识别准确率偏低,表情数据集中类别样本类间差异小、类内差异大以及误标注样本产生的误分类等问题,提出了一种结合改进VGGNet和Focal Loss的人脸表情识别算法.在迁移学习的基础上,通过设计新的输出模块对VGGNet模型进行改进,提升了模型的特征提取能力,能够较好地避免过拟合现象;通过设置概率阈值对Focal Loss进行改进,避免误标注样本对模型分类性能产生影响.实验结果表明,该模型在CK+、JAFFE以及FER2013数据集上的识别准确率分别达到了99.68％、97.61％和72.49％,在实际应用中泛化能力突出.