《表2 数据增强实验结果对比（识别率）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于生成对抗网络的人脸表情数据增强方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

从表2可以看出，本文的数据增强方法能够有效地提高模型的识别精度，与未增强的相比约有4%左右的提升，与传统方法相比在mobilenet＿v2上有更好的表现。然而，本文方法扩充之后的数据量比传统方法少很多，而Xception具有更多的参数，对数据量的要求更高，因此本文方法在Xception上的表现比传统方法略差一点。考虑到本文数据增强方法对比传统方法在CK+上扩充的数据不多，实际操作中可将本文方法与传统方法相结合来获取更多的生成样本。从实现成本来看，本文方法需要事先训练一个GAN模型，在本文的硬件环境下大约需要训练26 h才能达到预期效果，调整输入图像大小和采用迁移学习进行参数初始化，可以将训练时间控制在2 h以内。与传统方法相比，这无疑增加了很多工作量，然而配对型数据采集困难，与人工采集相比，本文方法极大地节约了人力成本。