基于改良AlexNet的人脸表情识别

简介：
本研究通过优化经典的AlexNet网络架构，致力于提高人脸表情识别精度，探索深度学习在情感计算中的应用潜力。 人脸表情识别受到姿势变化、物体遮挡、光照差异及人种性别年龄等因素的影响，需要更有效的卷积神经网络来准确地学习特征。然而，AlexNet在表情识别中的准确性较低，并且对输入图像尺寸有严格限制。为解决这些问题，我们提出了一种改进的基于AlexNet的人脸表情识别算法。 通过引入多尺度卷积技术以适应小尺寸的表情图像，我们的方法能够提取不同规模下的特征信息。同时，在低层次特征向下传递的过程中与高层次特征进行跨连接融合，这有助于更全面准确地反映图像内容，并构建出更为精准的分类器。然而，跨连接会导致参数量大幅增加和过拟合现象的发生，从而影响训练效果及最终识别性能。 为了克服上述问题，我们采用全局平均池化技术对低层次特征信息进行降维处理，有效减少了因跨连接产生的大量冗余参数，并降低了模型出现过度拟合的风险。实验表明，在CK+与JAFFE两个数据库上应用该算法后分别获得了94.25%和93.02%的识别准确率。