表情识别。识别开心，悲伤，惊讶等等表情(文末附源码)

 

情绪分类

 

 

实时人脸检测和情绪分类

• 在karggle竞争数据集fer2013中，测试准确率为66%
• CK+数据集中的测试精度为99.87%
• 在从网络摄像头##dataset来源捕获的实时视频中，平均情感分类模型预测成本时间为4~10毫秒：
• CK+：

123个主题有593个序列，这些序列在峰值帧上编码为FACS，593个序列中只有327个有情感序列。（表情标签。{0:'中性'，1:'愤怒'，2:'蔑视'，3:'厌恶'，4:'恐惧'，5:'快乐'，6:'悲伤'，7:'惊喜'}）

• fer2013：

kaggle比赛：表现学习的挑战：面部表情识别挑战

比赛中提供的数据集由灰度图像组成，尺寸为48 x 48，相应的标签由7种情绪组成。（emtion labels.{0:'angry',1:'disgust',2:'fear',3:'happy', 4:'sad',5:'surprise',6:'neutral'}）

深度可分离卷积的深度学习

我们解释了卷积神经网络中的初始模块，即正则卷积和深度可分卷积操作（深度卷积后是点卷积）之间的中间步骤。有鉴于此，深度可分离的卷积可以理解为具有最大数量塔的初始模块。这一观察导致我们提出了一个受Inception启发的新型深度卷积神经网络架构，其中Inception模块已被深度可分离卷积所取代。我们表明，这种被称为Xception的架构在ImageNet数据集（Inception V3是为Inception V3设计的）上的表现略优于Inception V3，在由3.5亿张图像和17,000个类组成的更大的图像分类数据集上的表现明显优于Inception V3。由于Xception架构的参数数量与Inception V3相同，因此性能提升不是由于容量的增加，而是由于更有效地使用模型参数。

源码:http://www.hedaoapp.com/goods/goodsDetails?pid=5078