轻量级残差卷积神经网络的开发，以实现高效的面部情感识别

面部情感识别（FER）对于成功的人机交互至关重要；然而，在边缘设备上部署稳健的系统仍然困难。最近的技术，如视觉变换器（ViTs）和深度集成网络，已经实现了高准确率，但遭受极大的计算开销和高延迟，使其不适合在受限硬件上实时使用。主要挑战在于在严格的内存和电力限制下保持高区分能力。为了解决这一问题，本研究的目标是开发一种高效的残差卷积神经网络（CNN），优化用于基于CPU的推理。所提出的架构利用分层结构，集成三个连续的残差块，过滤器深度依次为32、64和128。这些设计旨在增强梯度流动并细化低分辨率（48 × 48）灰度图像的特征表示。模型仅包含552,455个参数，并在标准CPU上达到12.4毫秒的延迟，平衡了效率和性能。在FER2013数据集上的实验结果显示，分类准确率约为71.4%，超越了若干现有的轻量级框架。使用混淆矩阵和ROC曲线进行的全面评估验证了该架构作为资源受限设备实时情感计算的实用解决方案。