{
  "fetched_at": "2026-10-19T16:17:40Z",
  "source_url": "https://www.kaggle.com/competitions/facial-emotion-classification/data",
  "pages": [
    {
      "name": "data-description",
      "content": "该数据由 **单通道灰度图像，48x48 个像素点**的面部灰度图像组成\n\n每个图像都有一个文件名，即其**唯一的 ID**\n\n任务是根据面部表情中显示的情绪将每张脸分类为**六个类别**之一（0 = 愤怒，1 = 恐惧，2 = 快乐，3 = 悲伤，4 = 惊讶，5 = 中性）\n\n训练集文件夹中包含各情感文件夹，其各图像标签即是其所在文件夹的文件夹名，如xxxxxxx.jpg在Happy文件夹下，则其标签是Happy\n\ntest文件夹下仅包含测试集图像，第二个实验的任务是预测测试集情绪并将其生成为csv文件提交到kaggle网站上\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "根据提交的预测测试集情感的csv文件的 **准确性** 进行评分",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "1）每名同学单独一组，不进行组队，team名称以（学号-姓名）格式进行命名方便统计\n2）请各位同学在人脸情感分类中使用深度学习方法去进行实验\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "你能区分人类的各种表情吗?\n\n以此为目的去构建一个能实现人脸情感分类的模型吧\n\n本实验为东北大学机器学习课设的第二个实验\n\n请各位同学详细阅读Rules各项要求，以及注意提交时间（第五六七八节深度学习-截止日期5月28日12:00PM）\n\n最后成绩以排名为基准",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "解决思路（仅供参考）",
      "content": "**1.数据分析：**\n对数据进行总览，了解数据集中的类别和数量。\n数据单一，模型过拟合，测试集准确率低？->考虑进行数据增强以扩充数据集，避免模型过拟合。\n**2.数据集构建：**\n尝试交叉验证（Cross Validation）方法构建训练集和验证集。\n**3.特征工程：**\n使用深度学习方法进行特征提取和表示学习，减少对手动设计特征的依赖。\n一些常用的深度学习特征提取方法：\n卷积神经网络（Convolutional Neural Networks，CNN）：通过卷积层、池化层等提取图像特征。\n预训练的深度学习模型：如VGGNet、ResNet、Inception等，可用于特征提取或迁移学习。\n**4.预测模型：**\n使用深度学习模型进行情感分类预测。\n一些常用的深度学习模型：\n卷积神经网络（CNN）：适用于图像分类任务。\n注意力机制transformer：用于关注输入中的重要部分，提高模型性能。\n**5.调参：**\n针对实际应用场景和数据集的特点，持续学习和改进模型，尝试新的网络架构、损失函数、数据增强等方法。\n阅读相关文献、论文和开源项目，关注最新的深度学习技术和方法，不断提升解决问题的能力。\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}