不同团队对蒙娜丽莎情绪识别结果存在差异，根源不在画作本身，而在于算法架构、训练数据与标注标准这三重分歧——同一张脸，被不同的“数字眼睛”看出了不同的情绪。

　　一、算法路径不同，读脸方式就不同

　　特征提取差异：不同团队采用的基础模型不同，有的用卷积神经网络侧重纹理与边缘，有的用视觉Transformer侧重全局关系，对嘴角弧度、眼角阴影的权重分配完全不同。

　　分类逻辑差异：部分团队将情绪识别处理为离散分类（快乐/悲伤/中性/恐惧），另一部分则采用维度模型（效价-唤醒度连续值），同一张脸在两种体系下结论天然不同。

　　后处理影响：有的团队在输出层加入文化先验校正，有的完全依赖数据驱动，导致最终标签出现系统性偏移。

　　二、训练数据与标注标准不一致

　　数据集文化偏差：若训练集以西方人脸为主，模型对蒙娜丽莎那种“似笑非笑”的模糊表情识别率会下降；若加入东亚人像数据，对含蓄表情的敏感度则上升。

　　标注主观性：情绪标签由人工标注，不同标注者对“微笑”与“假笑”的边界判断不同，模型学到的“标准答案”自然不同。

　　样本均衡问题：多数情绪数据集以夸张表情为主，蒙娜丽莎这种极微弱的表达属于长尾样本，不同模型的泛化能力差异被放大。

　　三、图像预处理与任务设定差异

　　裁剪与对齐方式：是否只保留面部、是否校正光照、是否做直方图均衡化，都会改变输入图像的信息量，进而影响输出。

　　任务边界模糊：有的团队识别的是“画中人的情绪”，有的识别的是“观者感知的情绪”，任务定义不同，结果不可直接比较。

　　阈值设定差异：将连续情绪分数转为离散标签时的阈值不同，同一分数在A团队算“中性”，在B团队就算“愉悦”。

本文由AI生成