摘要

理解情绪与表情是多个学科领域共同关注的重要课题，尤其在提升用户体验方面具有重要意义。与普遍认知不同，研究表明情绪并非离散的独立实体，而是存在于一个连续谱系之中。由于文化背景、个体经验以及认知偏见等多种因素的影响，人们对离散情绪的理解存在显著差异。因此，大多数表情理解方法，尤其是依赖离散类别划分的方法，本质上带有固有偏差。本文对两个常用数据集（AffectNet 和 EMOTIC）进行了深入的比较分析，这些数据集均包含情绪环状模型（circumplex model of affect）的组成部分。在此基础上，我们提出了一种专为轻量化应用场景设计的面部表情预测模型。该模型采用基于小规模 MaxViT 架构的网络结构，系统评估了在训练过程中使用离散表情类别标签与连续维度标签（即效价 valence 和唤醒度 arousal）相结合的影响。实验结果表明，将效价与唤醒度信息与离散类别标签联合建模，能够显著提升表情推断的准确性。所提出的模型在 AffectNet 数据集上的表现超越了当前最先进的方法，成为目前在效价与唤醒度推断任务中性能最优的模型，其均方根误差（RMSE）降低了 7%。用于复现本研究结果的训练脚本及预训练权重已公开，详见：https://github.com/wagner-niklas/CAGE_expression_inference。