空间分组增强注意力的轻量级人脸表情识别

摘要：

由于人脸表情特有的复杂性与微妙性,对表情进行高精度识别是一个困难问题.针对轻量级网络在自然环境下对面部表情的特征提取不够充分、泛化能力不足等问题,提出了一种基于空间分组增强注意力的轻量级人脸表情识别方法.在浅层网络设计了并行的深度卷积残差结构,以增强模型对面部表情局部细节的表征能力,并与全局整体特征相融合.在深层网络建立了空间分组增强注意力机制,以提高表情特征分布的稳定性,并强化模型对表情细微变化的判别能力.为了避免模型过拟合,在不大量增加计算复杂度的前提下,对主干网络输出结构进行改进.该方法在公开的七分类数据集RAF-DB、AffectNet-7以及八分类数据集AffectNet-8上的表情识别准确率分别达到了88.33%、63.09%和60.12%,实验结果表明,所提方法在降低网络参数的同时,提高了表情识别准确率,证明了该方法的有效性,具有一定的应用前景.

关键词：人脸表情识别、深度可分离卷积、区域特征融合、空间分组增强注意力、轻量化

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：广西人文社会科学发展研究中心科学研究工程·创新创业专项重大委托项目ZDCXCY01

在线出版日期：2023-11-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：233-241