Mini-ResEmoteNet：利用知识蒸馏进行以人为中心的设计

面部情感识别在用户体验领域的重要性日益凸显，特别是在现代可用性测试中，它有助于更深入地理解用户的满意度和参与度。本研究旨在通过采用知识蒸馏框架来扩展ResEmoteNet模型，开发适用于可用性测试的Mini-ResEmoteNet模型——轻量级的学生模型。实验在FER2013和RAF-DB数据集上进行，以评估三种学生模型架构（Student Model A、Student Model B和Student Model C）的有效性。这些模型的开发涉及将教师模型每一层的特征通道数量分别减少约50%、75%和87.5%。在FER2013数据集上表现出色的学生模型A（E1）达到了76.33%的测试准确率，比EmoNeXt提高了0.21%的绝对准确率。此外，与ResEmoteNet模型相比，这些学生模型在推理速度和推理时的内存使用方面也显示出绝对改进。研究结果表明，所提出的方法超越了其他现有的最先进方法。