基于EfficientNetV2-S的面向多类面部情感识别的InsideOut框架
计算机视觉与模式识别
2025-10-06 v1
摘要
面部情感识别 (FER) 是情感计算中的关键任务，使人机交互、电子教育、医疗和安全系统等应用得以实现。尽管深度学习方法取得了显著进展，但FER仍面临遮挡、光照和姿态变化、类内细微差异以及数据集不平衡等挑战，导致难以识别少数情感类别。我们提出InsideOut，一个基于EfficientNetV2-S的可复现FER框架，采用迁移学习、强数据增强和不平衡感知优化。该方法对FER2013图像进行标准化处理，采用分层抽样和数据增强，对轻量级分类头进行微调，并使用类别加权损失以应对分布失衡。InsideOut在FER2013上实现了62.8%的准确率，宏平均F1得分为0.590，表现优于传统CNN基准。创新点在于，证明了高效网络架构结合针对性不平衡处理，即可提供实用、透明且可复现的FER解决方案。
引用
@article{arxiv.2510.03066,
title = {InsideOut: An EfficientNetV2-S Based Deep Learning Framework for Robust Multi-Class Facial Emotion Recognition},
author = {Ahsan Farabi and Israt Khandaker and Ibrahim Khalil Shanto and Md Abdul Ahad Minhaz and Tanisha Zaman},
journal= {arXiv preprint arXiv:2510.03066},
year = {2025}
}