ExpressNet-MoE：用于情感识别的混合深度神经网络
摘要
在在线教育、医疗、安保和人机交互等多个领域,人脸情感识别 (FER) 至关重要。尽管其重要性已久,但由于变量头部位置、遮挡、光照变化和人口统计多样性等因素,实际场景中的 FER 仍然具有挑战性。由于 FER 的局限性,许多当前模型在虚拟学习和客户服务等应用中的参与度检测也常常具有挑战性。本文提出了 ExpressNet-MoE,一种新型混合深度学习模型,将卷积神经网络 (CNN) 和混合专家 (MoE) 框架相结合,以克服上述困难。我们的模型动态选择最相关的专家网络,从而有助于提高泛化性并在广泛的数据集上提供灵活性。通过利用多尺度特征提取来收集全局和局部面部特征,ExpressNet-MoE 提高了情感识别的准确率。ExpressNet-MoE 包括众多基于 CNN 的特征提取器、用于自适应特征选择的 MoE 模块,以及用于深度特征学习的残差网络 backbone。为证明我们所提方法的有效性,我们在多个数据集上进行评估,并与当前的前沿方法进行比较。我们的模型在 AffectNet (v7) 上达到 74.77% 的准确率,在 AffectNet (v8) 上达到 72.55% 的准确率,在 RAF-DB 上达到 84.29% 的准确率,在 FER-2013 上达到 64.66% 的准确率。结果表明了我们模型的自适应性,以及它在实际场景中开发端到端情感识别系统的潜力。可重复的源码和结果已公开访问于 https://github.com/DeeptimaanB/ExpressNet-MoE。
引用
@article{arxiv.2510.13493,
title = {ExpressNet-MoE: A Hybrid Deep Neural Network for Emotion Recognition},
author = {Deeptimaan Banerjee and Prateek Gothwal and Ashis Kumer Biswas},
journal= {arXiv preprint arXiv:2510.13493},
year = {2025}
}
备注
* Current version of the manuscript contains 17 pages including text, 13 figures, and 4 tables. The manuscript is currently under review at a journal