由于技术的进步，计算机在识别人脸方面可以做得很好，但是在更细致的识别面部表情方面结果却不如人意。许多在人工智能AI领域工作的研究人员试图使用各种建模和分类技术来解决这个问题，比如卷积神经网络(CNN)。然而面部表情识别的准确率还是很难提高，这涉及到复杂的神经网络，需要计算机进行大量的训练，相对计算成本就会非常高。
为了改善这一问题，来自中国吉林工程师范大学的田佳博士领导的一个研究小组最近开发了一种新的CNN面部表情识别模型。
传统CNN模型与团队提出的模型之间的主要区别之一是使用了深度可分离卷积。这种类型的卷积（在CNN的每一层执行的核心操作）与标准卷积的不同之处在于它独立处理输入图像的不同通道（例如RGB）并在最后组合结果。
通过将这种类型的卷积与一种称为“预激活残差块”的技术相结合，所提出的模型能够以粗到细的方式处理输入的面部表情。通过这种方式，大大降低了计算成本和系统为准确分类而学习的必要参数数量。
“我们设法获得了一个具有良好泛化能力的模型，所需参数可以减少至58000个，”田佳博士说道。
研究人员通过将这一新的CNN面部表情识别模型的表情识别性能与课堂环境中报告的其他模型进行比较，并进行了测试。使用“扩展Cohn-Kanade数据集”训练和测试所有模型，结果令人鼓舞，田佳博士团队开发的面部识别模型以最少的参数显示出最高的准确度（72.4%）。
