GCF: Graph Convolutional Networks for Facial Expression Recognition

面部表情识别（FER）对于理解人际交流至关重要。然而，现有的分类方法经常面临诸如噪声容易受损、数据集不平衡、过度拟合和泛化问题等挑战。在本文中，我们提出了一种新颖的方法GCF，它利用图卷积网络进行FER。GCF集成了卷积神经网络（CNN）进行特征提取，使用自定义架构或预训练模型。提取的视觉特征然后在图上表示，通过图卷积神经网络层增强局部CNN特征与全局特征。我们在包括CK+、JAFFE和FERG在内的基准数据集上评估了GCF。结果表明，GCF显著提高了最先进方法的性能。例如，GCF将ResNet18在CK+上的准确率从92%提高到98%，在JAFFE上从66%提高到89%，在FERG上从94%提高到100%。同样，GCF将VGG16在CK+上的准确率从89%提高到97%，在JAFFE上从72%提高到92%，在FERG上从96%提高到99.49%。我们对我们的方法进行了全面分析，证明了它在捕捉微妙的面部表情方面的有效性。通过将图卷积与CNN集成，GCF在FER方面显著提高了准确性和鲁棒性，在实际应用中具有改进的性能。

本文旨在解决面部表情识别中存在的噪声、数据集不平衡、过拟合和泛化问题。

本文提出了一种新的方法GCF，它利用图卷积网络来进行面部表情识别。GCF将卷积神经网络用于特征提取，并将提取的视觉特征表示在图上，通过图卷积神经网络层将局部CNN特征与全局特征相结合。

本文在多个基准数据集上评估了GCF的性能，包括CK +、JAFFE和FERG。结果表明，GCF显著提高了面部表情识别的准确性。此外，本文提供了综合分析，证明了该方法在捕捉微妙的面部表情方面的有效性。

最近的相关研究包括基于卷积神经网络的面部表情识别和基于图卷积网络的图像分类。