摘要
针对传统人脸表情识别研究中存在的模型训练、应用落地以及小样本学习困难等关键技术问题和挑战,提出一种基于注意力机制的轻量级面部情绪识别方法.该方法对Xception网络进行改进,增加了注意力模块作为辅助块,分别通过通道注意力模块和空间注意力模块使模型注意力集中在有意义的图像输入和表情强度更大的区域中.利用Switchable Normalization(SN)归一化,为处在神经网络不同位置、不同深度的归一化层选择不同操作,赋予有利于网络层的归一化方式更大权重.通过在FER2013数据集上与其他经典模型进行实验对比,该方法准确率可达到86％,其中在生气、开心、惊讶和自然的识别率较高,均能达到90％以上.另外针对不受约束的人脸表情场景,该模型对传统卷积神经网络进行了改进,弥补了传统卷积神经网络参数量大、训练难、落地难、梯度消失以及梯度爆炸等缺陷.
基金项目
国家自然科学基金(61972133)
河南省中原千人计划中原科技创新领军人才项目(204200510021)
河南省科技攻关计划重点项目(202102210162)
河南省科技攻关计划重点项目(212102210383)
维普
万方数据