基于mini_Xception的动漫人物表情识别

动漫作为一种常见的艺术形式,与现实生活有着密切的关系。艺术家通常会从现实生活中汲取灵感,并将其转化为自己的创作素材。基于传统人脸表情分类方法,首先收集并制作包含开心、生气、无表情3种情绪的数据集,其次基于mini_Xception网络训练表情识别模型并通过大量实验验证其有效性,最后总结了动漫表情识别研究存在的问题和未来发展方向,以期为动漫人物情感分析提供借鉴。

基于轻量级神经网络的人脸表情识别研究

表情是人与人进行情绪交流的主要媒介,人脸表情识别是计算机视觉领域的一个研究热点,在众多领域中应用广泛。目前,主流的人脸表情识别技术主要基于传统的卷积神经网络,但其网络结构复杂,参数量和计算量庞大。轻量级神经网络通过引入深度可分离卷积技术,在不影响或轻微降低识别准确率的前提下,能够大幅度缩减模型的参数量和计算复杂度。在轻量级神经网络的人脸表情识别研究中,通过构建MobileNet和mini_Xception两种轻量级神经网络模型,以传统的卷积神经网络VGG16为比较基准,分别在FER2013和CK+两个数据集上展开人脸表情识别实验。在FER2013数据集上,两个轻量级模型准确率下降了1.39个百分点和6.10个百分点,参数量却仅为VGG16的8.11%和0.15%。同样,在CK+数据集上,模型准确率分别下降了2.53个百分点和2.02个百分点,参数量分别是VGG16的9.6%和0.17%。实验结果证明了轻量级神经网络模型MobileNet和mini_Xception在人脸表情识别任务中的优越性。

基于深度学习的移动端表情识别系统设计

为了实现通过手机远程识别家居环境下家人的表情,提出了一种基于深度学习模型的移动端表情识别方法,并进行了系统设计。通过Vitamio框架获取远程视频,采用轻量级模型mini_Xception进行表情识别以适应移动端需求,将训练好的模型移植到Android手机之中,并进行了实验测试,结果表明设计的系统可实现远程表情识别,能够及时了解家人状况,为智能家居应用提供技术支持。

基于表情识别技术的学生课堂状态检测

为了解决在线教学模式下学生学习状态难以监测的问题,提出了利用表情识别技术对学生课堂状态进行检测的方法。首先,利用摄像头定时截取学生课堂图像,对其进行预处理,识别获取人脸数据;其次,利用表情识别方法分析学生上课状态,将人脸表情分类为7种,并再次划分为积极、消极、中性3种状态来判断学生课堂参与度与专注度;最后,将可视化数据推向教师,教师可根据学生上课状态,优化课堂教学,提高教学质量。实验过程中为了降低计算功耗,提高表情识别准确度,采用添加通道注意力机制的轻量级模型mini_Xception作为表情识别的训练网络,并使用该改进的mini_Xception网络在公开数据集Fer2013,CK+上进行训练。实验结果表明,该网络相较于ResNet-18网络在Fer2013,CK+上的识别准确率分别提高了7.97%和3.81%,且与原始mini_Xception网络和已有的几个文献的表情识别结果相比均有提高,能更好地检测到学生的学习状态和表情变化。因此,将表情识别技术应用于在线教学,可辅助教师获取屏幕前学生的课堂学习状态,并据此适时优化课堂教学,提升教学效果,对提高线上教学质量有实际的应用价值。