为解决人脸表情识别任务中存在的类内表情差异性大、类间表情相似度高的问题,基于传统的Softmax损失函数和Island损失函数,提出一种新的基于余弦距离损失函数来指导深度卷积神经网络的学习。该方法不仅可以减小特征空间中类内特征的差异,而且可以增大类间特征分布,从而提升特征判别效果。经过大量的实验和分析,该算法在RAF-DB人脸表情数据集上的准确率达到了83.196%,效果优于Softmax损失函数和Island损失函数,所提算法在人脸表情识别任务中具有较高的优越性。
人脸表情识别是人工智能领域的一个重要研究方向，尤其在人机交互、驾驶员监控和情感计算等领域具有广泛应用。传统的基于特征提取和机器学习的方法由于对光照、姿态变化等因素的鲁棒性不足，导致识别性能受限。随着深度学习的发展，尤其是卷积神经网络（CNN）的广泛应用，人脸表情识别的准确率得到了显著提升。
传统的损失函数如Softmax，虽然在多类别分类任务中表现出色，但在处理人脸表情识别这类问题时，往往难以充分捕捉到类内特征的细微差异和类间特征的明显区分。Island损失函数则试图通过增加相邻类别的距离来改善这一问题，但它仍然存在优化困难和对类间距离增大的控制不精确的问题。
针对这些问题，本文提出了基于余弦距离损失函数的新方法。余弦距离是一种衡量向量间角度的度量，相比于欧几里得距离，它更关注特征的方向而非大小，因此更适合用于度量特征空间中的类间差异。将余弦距离引入损失函数，可以更好地引导深度CNN学习具有强判别性的特征表示。通过减小类内特征的余弦距离，增加类间特征的余弦夹角，新方法能有效增大类间特征分布，从而提高识别准确性。
实验结果表明，在RAF-DB人脸表情数据集上，基于余弦距离损失函数的模型取得了83.196%的准确率，优于Softmax和Island损失函数。这证明了该方法在人脸表情识别任务中的优越性。此外，这种改进的损失函数设计对于处理具有复杂背景、光照变化以及面部遮挡的图像，可能具有更好的泛化能力。
未来的研究可以进一步探索如何优化余弦距离损失函数，例如结合动态调整权重的机制，或者与其他损失函数结合，以适应更多变的识别场景。同时，也可以研究如何利用注意力机制或对抗性训练来增强模型对非理想条件下的识别能力，以实现更加鲁棒和实用的人脸表情识别系统。
