摘要

人脸是一种无声的交流工具，通过面部表情表达情感和思想。近年来，随着计算机视觉技术的发展，面部情感识别技术取得了显著进展，使得机器能够解码面部线索的复杂性。在本研究中，我们提出了一种新的深度学习架构——ResEmoteNet，该架构结合了卷积网络（Convolutional）、挤压-激励网络（Squeeze-Excitation, SE）和残差网络（Residual Networks），专为面部情感识别设计。SE模块的选择性关注功能增强了对人脸重要特征的捕捉能力，同时抑制了不相关的特征，有助于减少损失并提升模型的整体性能。此外，我们将SE模块与三个残差模块集成在一起，通过更深的网络层学习数据的更复杂表示。我们在四个开源数据库上对ResEmoteNet进行了评估：FER2013、RAF-DB、AffectNet-7和ExpW，分别达到了79.79%、94.76%、72.39%和75.67%的准确率。所提出的网络在这四个数据库上的表现均优于当前最先进的模型。ResEmoteNet的源代码可在以下地址获取：https://github.com/ArnabKumarRoy02/ResEmoteNet。