EmotionNet Nano：一种用于实时面部表情识别的高效深度卷积神经网络设计
计算机视觉与模式识别
2020-06-30 v1
摘要
尽管深度学习的近期进展显著提升了面部表情分类(FEC)性能，但此类系统广泛部署的主要瓶颈仍在于其高架构与计算复杂度。考虑到各种 FEC 应用（如安全、营销、学习与辅助生活）的运行需求，其中希望在低成本嵌入式设备上满足实时要求，这一问题尤为严峻。受对紧凑、低延迟且准确、能在低成本嵌入式设备上实时执行 FEC 的系统之需求驱动，本研究提出 EmotionNet Nano，一种通过人机协作设计策略创建的高效深度卷积神经网络，其中人类经验与机器的精细和速度相结合，以打造面向实时嵌入式使用的深度神经网络设计。给出了 EmotionNet Nano 的两种不同变体，各自在架构与计算复杂度及准确性之间有不同权衡。使用 CK+ 面部表情基准数据集的实验结果表明，所提 EmotionNet Nano 网络取得了与最先进 FEC 网络相当的准确率，同时所需参数显著更少（例如在高准确率下少 23）。此外，我们证明了所提 EmotionNet Nano 网络在 ARM 嵌入式处理器上实现了实时推理速度（例如 15W 与 30W 下分别 FPS 与 FPS）与高能量效率（例如 15W 下 图像/秒/瓦），从而进一步说明了 EmotionNet Nano 在嵌入式设备部署上的有效性。
引用
@article{arxiv.2006.15759,
title = {EmotionNet Nano: An Efficient Deep Convolutional Neural Network Design for Real-time Facial Expression Recognition},
author = {James Ren Hou Lee and Linda Wang and Alexander Wong},
journal= {arXiv preprint arXiv:2006.15759},
year = {2020}
}
备注
9 pages