Regularisierte Xception für die Gesichtsausdruckserkennung mit zusätzlichen Trainingsdaten und Schritt-Abfall-Lernrate

Trotz umfangreicher Forschung im Bereich der Gesichtsausdrucksanalyse bleibt die Erreichung höchster Genauigkeit herausfordernd. Ziel dieser Studie ist es, die Genauigkeit bestehender Modelle durch Anpassung der Architektur, der verwendeten Daten und des Trainingsverfahrens zu verbessern. Die Integration von Regularisierung in die Xception-Architektur, die Erweiterung der Trainingsdaten sowie die Nutzung eines schrittweisen Lernratenabfalls adressieren gemeinsam die bestehenden Einschränkungen und überwinden diese. Die Bewertung anhand des Facial Expression Recognition (FER2013)-Datensatzes zeigt eine erhebliche Steigerung der Genauigkeit mit einem bemerkenswerten Ergebnis von 94,34 %. Diese Studie eröffnet potenzielle Wege zur Verbesserung von Gesichtsausdrucksanalyse-Systemen, insbesondere im Hinblick auf die Forderung nach erhöhter Genauigkeit in diesem Bereich.