文献类型：期刊文章

作　　者：崔子越[1,2,3] 皮家甜[1,2,3] 陈勇[1,4] 杨杰之[1,2,3] 鲜焱[1,2] 吴至友[3,4] 赵立军[3,4] 曾绍华[1,2] 吕佳[1,2]

CUI Ziyue;PI Jiatian;CHEN Yong;YANG Jiezhi;XIAN Yan;WU Zhiyou;ZHAO Lijun;ZENG Shaohua;LYU Jia(College of Computer and Information Sciences,Chongqing Normal University,Chongqing 401331,China;Chongqing Digital Agriculture Service Engineering Technology Research Center(Chongqing Normal University),Chongqing 401331,China;Chongqing Key Laboratory of Intelligent Finance and Big Data Analysis(Chongqing Normal University),Chongqing 401331,China;College of Mathematical Sciences,Chongqing Normal University,Chongqing 401331,China)

机构地区：[1]重庆师范大学计算机与信息科学学院,重庆401331 [2]重庆市数字农业服务工程技术研究中心(重庆师范大学),重庆401331 [3]智慧金融与大数据分析重庆市重点实验室(重庆师范大学),重庆401331 [4]重庆师范大学数学科学学院,重庆401331

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(11971083);重庆市教委科技项目青年项目(KJQN201800521);重庆市基础研究与前沿探索项目(cstc2018jcyjAX0470);重庆师范大学2019年研究生科研创新项目(YKC19016)。

年　　份：2021

卷　　号：57

期　　号：19

起止页码：171-178

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对目前表情识别准确率偏低,表情数据集中类别样本类间差异小、类内差异大以及误标注样本产生的误分类等问题,提出了一种结合改进VGGNet和Focal Loss的人脸表情识别算法。在迁移学习的基础上,通过设计新的输出模块对VGGNet模型进行改进,提升了模型的特征提取能力,能够较好地避免过拟合现象;通过设置概率阈值对Focal Loss进行改进,避免误标注样本对模型分类性能产生影响。实验结果表明,该模型在CK+、JAFFE以及FER2013数据集上的识别准确率分别达到了99.68%、97.61%和72.49%,在实际应用中泛化能力突出。

关 键 词：表情识别 深度学习  迁移学习  FocalLoss  卷积神经网络

分 类 号：TP183]