基于标签分布学习的轻量级人脸表情识别研究 撤回

针对轻量级网络在复杂环境下对面部表情的特征提取不够充分、泛化能力不足以及单标签数据集无法有效描述复杂情感倾向所带来的歧义表情等问题，提出了一种结合改进ShuffleNet与标签分布学习的人脸表情识别方法。在不大量增加计算复杂度的前提下，为了避免模型的过拟合，设计了新的输出模块对ShuffleNet模型进行改进；为了增强模型对人脸表情图像重要局部细节特征的提取能力，设计了并行的深度卷积残差模块，实现了局部与全局特征的融合。为了减少由歧义表情对识别性能所带来的不利影响，通过标签分布学习方法，在不引入额外信息的前提下，充分利用数据集原本信息生成标签分布，并重新训练改进后的ShuffleNet模型。实验结果表明，在RAF-DB、AffectNet-7和AffectNet-8数据集上分别达到了87.15%、62.05%和58.49%的准确率，同时参数量和计算量均保持在较低水平，利于其在实际生产中应用。