基于改进GhostNet模型的表情识别研究
Computer Technology and Development（2022）
摘要
针对目前卷积神经网络应用到人脸表情识别任务上时,计算复杂、输入尺度过大、类间差异小和类内差异大等问题,提出了一种基于改进GhostNet模型的解决方法.首先,结合GhostNet模型思想,设计了改进GhostNet模型来提取表情特征,比原网络模型拥有更好的轻量级特性,并解决了Ghost瓶颈层中可能导致信息丢失的问题.其次,结合Island损失函数和Circle损失函数设计思想,设计并采用了基于余弦相似性的损失函数来指导神经网络的学习.该方法可以在特征空间中减小类内差异,增大类间差异,从而提升特征判别能力.在FERplus数据集上进行实验验证,基于改进GhostNet模型方法在模型参数量和计算量更少的前提下,依旧有着更高的识别准确率和更快的识别速度,效果优于Softmax交叉熵损失函数和基于余弦距离的损失函数等,更适合移动端和嵌入式设备的使用场景.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要