Mini-ResEmoteNet：利用知识蒸馏进行人类无关设计
计算机视觉与模式识别
2025-01-31 v1
摘要
Facial Emotion Recognition 在用户体验领域日益重要，尤其在现代可用性测试中，它有助于更深入地理解用户满意度和参与度。本研究旨在通过知识蒸馈框架扩展 ResEmoteNet 模型，开发针对可用性测试的轻量级学生模型 Mini-ResEmoteNet。在 FER2013 和 RAF-DB 数据集上进行实验，以评估三个学生模型架构（Student Model A、Student Model B 和 Student Model C）的有效性。其开发涉及在教师模型各层的特征通道数约减 50%、75% 和 87.5%。在 FER2013 数据集上，Student Model A (E1) 实现了 76.33% 的测试准确率，相较于 EmoNeXt 提升了 0.21% 的绝对值。此外，结果在推理速度和内存使用方面均比 ResEmoteNet 模型有显著提升。研究表明，所提出的方法在其他最先进的方法中表现优异。
引用
@article{arxiv.2501.18538,
title = {Mini-ResEmoteNet: Leveraging Knowledge Distillation for Human-Centered Design},
author = {Amna Murtada and Omnia Abdelrhman and Tahani Abdalla Attia},
journal= {arXiv preprint arXiv:2501.18538},
year = {2025}
}
备注
5 pages with 4 figures