基于U-Net架构改进VGG19模型的人脸表情识别方法

摘要

针对传统面部识别技术中存在的诸多问题，如网络模型对关键通道特征的关注不足、参数量过大以及识别准确率不高等，本文提出了一种基于改进Visual Geometry Group 19(VGG19)模型的全新方案.该方案融合了U-Net网络架构的设计理念，并引入了改进的SEAttention模块，以期提高模型的收敛速度和对面部细节的关注程度.在保持VGG19深层特征提取能力的基础上，通过特定设计的卷积层和跳跃连接，实现了对特征的高效融合与优化.经过改进的VGG19模型，不仅能更好地提取面部特征，还能在保证准确率的前提下，降低模型参数，提高运算效率.为了验证改进模型的效果，利用FER2013数据集和CK+两个数据集对本文提出的模型进行了测试.实验结果显示，改进后的VGG19网络在表情识别的准确率上分别取得了1.58%和4.04%的提升.这一结果充分证明了本文提出的方法在解决传统面部识别问题方面的优越性，也为面部识别技术的进一步发展提供了新的思路.

关键词

面部表情识别 / 深度学习 / 卷积神经网络 / 情感分类 / VGG19

基金资助

江苏省自然科学基金资助项目（BK20200649）; 国家自然科学基金资助项目（62001475）