《表2 深度模型在CK+数据集识别准确率》

  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

《人脸表情识别综述》

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

深度学习在表情识别中的应用，大多基于VGGNet、GooGleNet与ResNet网络模型，其核心结构均为深度卷积神经网络（Deep convolution neural networks，DCNN）。在此基础上，Mollahosseini等[53]将AlexNet与GoogleNet模型结合，构建了一个7层CNN用于人脸表情识别，得到了较好的识别效果。Jung等[54]提出利用彩色图像与人脸特征点联合训练CNN网络，其网络包括3个卷积层与2个隐藏层，但这使得其表情特征学习不够精确。Lopes等[55]将部分特定特征提取方法与卷积神经网络进行组合，先采用预处理技术提取部分特定表情特征，但这会导致未知环境下正确率不高、鲁棒性不足。Verma等[56]提出了一个具有视觉和面部标识分支的网络，其视觉分支负责图像序列的输入，并引入从低层到高层的跳转连接，以此考虑到底层特征的重要性；面部标识分支研究面部标记轨迹，考虑到因面部大动作造成的面部特征的变化，如眼睛、鼻子、嘴唇的动作变化等，该方法在CK+数据集上取得了较高的识别率。表2对几种深度模型在CK+数据集上的识别准确率进行了比较。