Xception régularisé pour la reconnaissance d'expressions faciales avec des données d'entraînement supplémentaires et un taux d'apprentissage décroissant par étapes

Malgré les recherches approfondies menées dans le domaine de la reconnaissance des expressions faciales, atteindre un niveau d’exactitude optimal demeure un défi. L’objectif de cette étude est d’améliorer l’exactitude des modèles actuels en ajustant leur architecture, les données d’entraînement et la procédure d’apprentissage. L’intégration de la régularisation dans l’architecture Xception, l’augmentation des données d’entraînement ainsi que l’utilisation d’un taux d’apprentissage décroissant par étapes permettent de surmonter et dépasser les limites actuelles. Une amélioration significative de l’exactitude est démontrée par l’évaluation effectuée sur le jeu de données de reconnaissance des expressions faciales (FER2013), atteignant un résultat remarquable de 94,34 %. Cette étude ouvre ainsi de nouvelles perspectives pour le renforcement des systèmes de reconnaissance des expressions faciales, en répondant particulièrement à la nécessité d’une précision accrue dans ce domaine.