轻量级卷积神经网络具有有效的通道注意力机制,用于嵌入式系统中的实时面部情绪识别

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 面部表情识别对于理解人类情绪至关重要.
• 现有的方法通常需要大量的计算资源,限制实时应用.
• 在资源有限的环境中,需要有效的情感识别模型.

研究的目的:

• 介绍轻量级表情识别网络 (LiExNet),这是一个用于实时情绪识别的新型深度神经网络.
• 为了优化网络的低计算复杂性和最小的内存足迹.
• 评估LiExNet在各种面部表情数据集上的表现,包括针对职业压力的定制数据集.

主要方法:

• 开发了42,000个参数的LiExNet,集成了卷积,深度卷积和注意力机制.
• 在CK+,KDEF,FER2013以及定制EMOTION-ITCH数据集上训练并验证了网络.
• 评估计算要求 (0.03 MB内存,1.38 GFLOPs) 和实时推断能力.

主要成果:

• 实现了高精度:99.5% (CK+),88.2% (KDEF),79.2% (FER2013) 和96% (EMOTION-ITCH) 的高精度.
• 在实时方法中表现出卓越的性能,在CK+和KDEF排名第一,在FER2013.上排名第二.
• 在嵌入式系统上确认实时推断可行性,使用最小的资源.

结论:

• LiExNet为实时情绪识别提供了一种实用且强大的解决方案.
• 该模型适用于硬件受限环境中的应用,例如嵌入式系统.
• LiExNet显示出对实时情绪监测和在职业环境中评估情绪不和的承诺.