1. 数据收集策略

采用分阶段迭代采集方案:

• 第一阶段:每个表情类别少量采集基础样本,快速搭建初代模型
• 训练后分析识别误差,针对混淆度高、准确率低的表情,定向补充更多场景、角度、光照下的样本,平衡各类别数据量,避免样本不均衡

2. 赛道挑战策略

选择单赛道深耕优先模式:

1. 先从基础表情赛道切入(开心、悲伤、生气等基础分类)
2. 集中精力调优该赛道模型,攻克基础赛道排行榜,吃透基础表情特征提取逻辑
3. 基础赛道模型稳定后,再拓展复杂混合表情赛道,不频繁跨赛道分散训练精力

3. 快速高效筛选最优表情组合方法

1. 先拆分单表情独立训练,记录单类识别精度
2. 两两组合测试,剔除易混淆、识别误差大的搭配
3. 保留特征区分度高、样本容易获取的表情组合,减少模型学习负担,快速产出可用模型

4. 现存困难、成果复盘与优化计划

当前难点

• 细微表情(轻微难过、假笑)特征差异极小,模型容易混淆
• 不同光线、侧脸角度下识别准确率大幅下滑

现状自评

基础正面、充足光照场景识别效果达标,但复杂环境泛化能力不足,排名还有提升空间

后续优化方案

1. 补充暗光、侧脸、遮挡(刘海、口罩边角)场景数据集
2. 调整模型训练轮次、数据增强参数,增加翻转、亮度扰动训练
3. 拆分混淆表情,单独增加两类区分样本,降低误判率