一个增强的GhostNet模型用于情绪识别:利用高效的特征提取和注意力机制
Jie Sun1, Tianwen Xu1, Yao Yao2
1Psychological Development Guidance Center, School of Educational Sciences, Quanzhou Normal College, Quanzhou, China.
Frontiers in psychology
|April 24, 2025
概括
本研究介绍了一种增强的GhostNet与变压器编码器 (EGT) 模型,用于准确的面部情绪识别. EGT模型在复杂的环境中表现出卓越的性能,改善了人机交互.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 认知科学 认知科学
背景情况:
- 情绪识别对于理解决策至关重要,但当前的系统与现实世界的复杂性和数据限制作斗争.
- 面部表情是情绪状态的关键指标,但强大的识别仍然具有挑战性.
研究的目的:
- 开发一种深度学习模型,用于增强面部情绪识别.
- 解决现有系统在环境复杂性和数据稀缺性方面的局限性.
主要方法:
- 提出了一个带有变压器编码器 (EGT) 模型的增强鬼网.
- 集成的GhostNet用于高效的功能提取和全球背景的变压器.
- 使用双重注意力机制,专注于关键的面部特征.
主要成果:
- 在RAF-DB数据集上达到89.3%的准确度,在AffectNet数据集上达到85.7%.
- 在情感识别方面表现优于最先进的轻量级模型.
- 在充满挑战和噪音的环境中表现出强大的性能.
结论:
- EGT模型为面部情绪识别提供了更高的准确性和稳定性.
- 潜在的应用包括增强人机交互,个性化建议和心理健康监测.
- 先进的深度学习技术显著提升了情绪识别能力.
