一种用于面部情绪识别与评估的深度学习鲁棒框架
计算机视觉与模式识别
2022-02-01 v1 密码学与安全
摘要
面部情绪识别是计算机视觉领域中一个广阔且复杂的问题空间，因此需要一种被普遍接受的基线方法来评估所提出的模型。尽管测试数据集在学术领域起到了这一作用，但此类模型在真实世界中的应用与测试缺乏任何实际的比较。因此我们提出了一个框架，其中为面部情绪识别（FER）开发的模型可以以恒定标准化方式相互比较与对照。一个轻量卷积神经网络在AffectNet数据集（一个用于面部情绪识别的大型可变数据集）上训练，并且我们开发并部署了一个以所提框架为概念验证的Web应用。该CNN被嵌入我们的应用中，能够进行即时实时的面部情绪识别。在AffectNet测试集上测试时，该模型对八种不同情绪的分类达到了高准确率。使用我们的框架，该模型及其他模型的有效性可通过不仅基于其在样本测试数据集上的准确率，还基于实地实验来评估模型效能而得到恰当测试。此外，我们的应用具备保存和存储任何为其捕获或上传用于情绪识别的图像的能力，从而允许策划更高质量且更多样的面部情绪识别数据集。
引用
@article{arxiv.2201.12705,
title = {A Robust Framework for Deep Learning Approaches to Facial Emotion Recognition and Evaluation},
author = {Nyle Siddiqui and Rushit Dave and Tyler Bauer and Thomas Reither and Dylan Black and Mitchell Hanson},
journal= {arXiv preprint arXiv:2201.12705},
year = {2022}
}