基于keras框架深度学习神经网络七种表情识别系统源码（结合注意力机制模块）

AI街潜水的八角

已于 2024-01-21 21:28:56 修改

阅读量587

点赞数 9

分类专栏：分类实战文章标签：深度学习 keras 神经网络

于 2024-01-19 09:38:47 首次发布

本文链接：https://blog.csdn.net/m0_59023219/article/details/135689562

版权

分类实战专栏收录该内容

33 篇文章 2 订阅

订阅专栏

第一步：准备数据

fer2013公开数据，原数据有七种表情，即表情（"angry", "disgust", "scared", "happy", "sad", "surprised", "neutral"）做为训练和识别

第二步：搭建模型

本文选择XCEPTION，为了兼顾速度，在实际应用的时候，对网络进行剪纸，具体可以参考代码，其网络结构如下：

由于是七分类问题，直接套用网络肯定是不行，因此会在全连接部分做手脚，参考代码如下：

    x = Conv2D(num_classes, (3, 3),
            #kernel_regularizer=regularization,
            padding='same')(x)
    x = GlobalAveragePooling2D()(x)
    output = Activation('softmax',name='predictions')(x)

    model = Model(img_input, output)
    return model

另外，本文也结合通道注意力机制进行对比，参考代码如下：

def se_block(input_feature, ratio=8):
    channel_axis = 1 if K.image_data_format() == "channels_first" else -1
    channel = input_feature._keras_shape[channel_axis]

    se_feature = GlobalAveragePooling2D()(input_feature)
    se_feature = Reshape((1, 1, channel))(se_feature)  # 第一步：压缩(Squeeze), reshape成1✖️1✖️C
    # assert se_feature._keras_shape[1:] == (1,1,channel)
    # 第二步：激励(Excitation),
    # 由两个全连接层组成，其中SERatio是一个缩放参数，这个参数的目的是为了减少通道个数从而降低计算量。
    # 第一个全连接层有(C/radio)个神经元，输入为1×1×C，输出1×1×(C/radio)。
    # 第二个全连接层有C个神经元，输入为1×1×(C/radio)，输出为1×1×C。
    se_feature = Dense(channel // ratio,
                       activation='relu',
                       kernel_initializer='he_normal',
                       use_bias=True,
                       bias_initializer='zeros')(se_feature)
    # assert se_feature._keras_shape[1:] == (1, 1, channel // ratio)
    se_feature = Dense(channel,
                       activation='sigmoid',
                       kernel_initializer='he_normal',
                       use_bias=True,
                       bias_initializer='zeros')(se_feature)
    # assert se_feature._keras_shape[1:] == (1, 1, channel)
    """
    # 因为keras默认为channels_last,没修改不需要加这段
    if K.image_data_format() == 'channels_first':
        se_feature = Permute((3, 1, 2))(se_feature)
    """
    se_feature = multiply([input_feature, se_feature])
    return se_feature

第三步：训练代码

1）损失函数为：交叉熵损失函数

2）从头训练代码：

# 构建模型
#model = mini_XCEPTION(input_shape, num_classes)
model = mini_XCEPTION_SE(input_shape, num_classes)

model.compile(optimizer='adam', # 优化器采用adam
              loss='categorical_crossentropy', # 多分类的对数损失函数
              metrics=['accuracy'])
model.summary()

第四步：统计训练过程