[论文解读] Facial Emotion Recognition: State of the Art Performance on FER2013

Yousif Khaireddin, Zhuofa Chen|arXiv (Cornell University)|May 8, 2021

Emotion and Mood Recognition参考文献 37被引用 158

一句话总结

本文通过微调的 VGGNet 在不使用额外训练数据的情况下，在 FER2013 上实现了单网络的最高准确率（73.28%）。

ABSTRACT

Facial emotion recognition (FER) is significant for human-computer interaction such as clinical practice and behavioral description. Accurate and robust FER by computer models remains challenging due to the heterogeneity of human faces and variations in images such as different facial pose and lighting. Among all techniques for FER, deep learning models, especially Convolutional Neural Networks (CNNs) have shown great potential due to their powerful automatic feature extraction and computational efficiency. In this work, we achieve the highest single-network classification accuracy on the FER2013 dataset. We adopt the VGGNet architecture, rigorously fine-tune its hyperparameters, and experiment with various optimization methods. To our best knowledge, our model achieves state-of-the-art single-network accuracy of 73.28 % on FER2013 without using extra training data.

研究动机与目标

• 激发对因人脸异质性和图像条件所带来的 FER 性能提升的动机。
• 证明经精心调优的 VGGNet 能在 FER2013 上在不使用外部数据的情况下达到最先进的准确度。
• 研究超参数微调和优化策略对 FER 性能的影响。

提出的方法

• 将 VGGNet 架构作为主干网络。
• 对网络进行了严格的超参数微调。
• 尝试了多种优化方法。
• 专注于用单一网络实现高性能。
• 强调不使用超出 FER2013 的额外训练数据。

实验结果

研究问题

• RQ1 单一的 CNN 网络是否在 FER2013 上就能在不使用外部数据的情况下达到最先进的 FER 性能？
• RQ2 超参数调优和优化方法对 FER2013 的准确率有何影响？
• RQ3 在仔细训练的前提下，VGGNet 是否是实现顶级 FER 性能的可行主干网络？

主要发现

• 仅用一个网络在 FER2013 上取得 73.28% 的准确率。
• 被报告为在不使用额外数据的情况下，FER2013 上的单网络最高结果。
• 验证了超参数调优和优化选择能够带来最先进的性能。
• 证明在适当调整时，VGGNet 主干在 FER 任务中的有效性。