《表1 本文方法在FER2013上的识别效率》

  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

《基于深度学习的实时人脸表情识别研究》

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

实验使用的数据集为Kaggle比赛提供的一个数据集。该数据集包含28 709张训练样本，38 59张验证数据集和3859张测试样本，一共有35 887张包含生气、讨厌、恐惧、惊讶、悲伤、高兴、正常这7种类别的图像，图像分辨率为48×48，如图3所示。为了防止网络过快地过拟合，本文对输入图像做了一些预处理:将采用Imagegenerator生成器对图像进行旋转，变形和归一化操作，同时扩充数据量，避免因数据量太少而导致过拟合。模型的优化器采用Adam算法，为随机梯度下降算法的变种，学习率最大值最小值设置为0.1，学习衰减率为0.1，随着迭代次数的增长，其学习率也相应做改变。通过多次的调参实验，经过5000次的迭代训练，本文设计的网络模型在FER2013数据集上的识别效率达到66.7%，见表1。网络训练的过程中，网络损失值逐步减少，整体过程趋于平稳，收敛情况不错。图4和图5分别描述了本文设计的卷积神经网络的训练准确率（train＿acc）和验证准确率（val＿acc）。图6和图7分别描述了训练损失值（train＿loss）和验证损失值（val＿loss）。