权重推断与标签平滑的轻量级人脸表情识别

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、模型参数存在冗余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与标签平滑学习的人脸表情识别方法。通过对原始网络的分析与剪裁，得到了改进后更紧凑的K5＿Light＿ShuffleNet，不仅优化了网络参数，还提高了模型的表征能力。为了增强模型对人脸表情图像局部细节特征的提取能力，抑制非表情特征，在模型中嵌入了设计的轻量化通道空间关键权重推断模块。通过标签平滑学习方法，在不引入额外信息的前提下，利用软标签分布监督网络的学习，以减少由于歧义表情对识别性能所带来的不利影响。实验结果表明，在公开的RAF-DB、AffectNet-7和AffectNet-8数据集上分别达到了86.91%、61.80%和58.75%的表情识别准确率，相较于目前其他人脸表情识别方法，其识别率有一定提高，同时模型参数量和计算量均保持在较低水平，利于其在实际中的应用。