MicroExpNet：一种用于人脸图像表情识别的极小且快速的模型
计算机视觉与模式识别
2019-12-25 v4
摘要
本文旨在为正面人脸图像的人脸表情识别（FER）问题创建极小且快速的卷积神经网络（CNN）。为此，我们采用了流行的知识蒸馏（KD）方法，并发现了其使用中的两个主要缺陷：1）需要调整温度超参数的细粒度网格搜索；2）为找到最优的尺寸-精度平衡，需要搜索最终网络尺寸（或压缩率）。另一方面，KD被证明对FER问题的模型压缩有用，并且我们发现其效果随着模型尺寸的减小变得越来越显著。此外，我们假设使用最大池化层实现的平移不变性对FER问题无用，因为表情对眼睛和嘴巴周围微小的像素级变化敏感。然而，我们发现使用最大池化时泛化能力有令人费解的改善。我们在两个广泛使用的FER数据集CK+和Oulu-CASIA上进行了实验。我们通过知识蒸馏得到的最小模型（MicroExpNet）尺寸小于1MB，在Intel i7 CPU上以每秒1851帧的速度运行。尽管精度低于最先进水平，MicroExpNet仍为设计用于FER问题的微架构提供了重要见解。
引用
@article{arxiv.1711.07011,
title = {MicroExpNet: An Extremely Small and Fast Model For Expression Recognition From Face Images},
author = {İlke Çuğu and Eren Şener and Emre Akbaş},
journal= {arXiv preprint arXiv:1711.07011},
year = {2019}
}
备注
International Conference on Image Processing Theory, Tools and Applications (IPTA) 2019 camera ready version. Codes are available at: https://github.com/cuguilke/microexpnet