基于二值化密集卷积神经网络的表情识别算法.pdf

基于二值化密集卷积神经网络的表情识别算法.pdf 本文提出了一种基于数据增强和二值化密集卷积神经网络的人脸表情识别算法，通过均值估计，使得二值化神经网络模型的识别率达到甚至超过部分基于浮点数运算的卷积神经网络。 知识点1：神经网络算法 神经网络算法一直是研究人脸表情识别有力的工具，但是基于浮点数乘法运算的复杂神经网络模型如 VGG 和 Resnet 等，需要消耗大量的计算资源和内存资源，严重阻碍了其在小型设备上的应用，也使得人工智能普及到生活中的难度大大增加。 知识点2：二值化神经网络 通过神经网络二值化，我们可以将原本的浮点数运算，转化更快的与或运算。因此，二值化神经网络模型以其较高的模型压缩率和较快的前向传播计算速度，近几年受到格外的重视和发展，成为神经网络模型研究中一个非常热门的研究方向。 知识点3：数据增强 深度学习需要大量的数据支撑，数据量过少常常会造成过拟合等问题，因而数据增强的概念被提出。数据增强有许多常用的方法，其核心在于对原数据进行变换、扩展和增强，以增加模型的泛化能力和鲁棒性。 知识点4：二值化密集卷积神经网络 本文提出了一种基于数据增强和二值化密集卷积神经网络的人脸表情识别算法，通过均值估计，使得二值化神经网络模型的识别率达到甚至超过部分基于浮点数运算的卷积神经网络。 知识点5：人脸表情识别 人脸表情识别已成为人工智能领域的重要研究课题，但传统的卷积神经网络需要庞大的计算资源使得其应用受限，而二值化卷积神经网络可通过快速与或运算代替原本的浮点乘法运算，大大降低了算法对计算资源的需求。 知识点6：深度学习 深度学习需要大量的数据支撑，数据量过少常常会造成过拟合等问题，因而数据增强的概念被提出。深度学习算法可以应用于人脸表情识别、图像分类、目标检测等领域。 知识点7：模型压缩 二值化神经网络模型以其较高的模型压缩率和较快的前向传播计算速度，近几年受到格外的重视和发展，成为神经网络模型研究中一个非常热门的研究方向。 知识点8：计算资源 传统的卷积神经网络需要庞大的计算资源，使得其在小型设备上的应用受限，而二值化卷积神经网络可通过快速与或运算代替原本的浮点乘法运算，大大降低了算法对计算资源的需求。 知识点9：浮点数运算 基于浮点数乘法运算的神经网络模型，如 VGG 和 Resnet 等，需要消耗大量的计算资源和内存资源，严重阻碍了其在小型设备上的应用。 知识点10：表情识别算法 本文提出了一种基于数据增强和二值化密集卷积神经网络的人脸表情识别算法，通过均值估计，使得二值化神经网络模型的识别率达到甚至超过部分基于浮点数运算的卷积神经网络。