首页|结合改进卷积神经网络与通道加权的轻量级表情识别

结合改进卷积神经网络与通道加权的轻量级表情识别

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 表情是人机交互过程中重要的信息传递方式,因此表情识别具有重要的研究意义.针对目前表情识别方法存在背景干扰大、网络模型参数复杂、泛化性差等问题,本文提出了一种结合改进卷积神经网络(convolu-tional neural network,CNN)与通道加权的轻量级表情识别方法.方法 首先,采用标准卷积和深度可分离卷积组合神经网络结构,再利用全局平均池化层作为输出层,简化网络的复杂程度,有效降低网络参数;其次,网络引入SE(squeeze-and-excitation)模块进行通道加权,通过在不同卷积层后设置不同的压缩率增强表情特征提取能力,提升网络模型精度;最后,用softmax分类函数实现各类表情的准确分类.结果 本文网络参数量为6108519,相较于识别性能较好的Xception神经网络参数减少了63％,并且通过对网络模型的实时性测试,平均识别速度可达128帧/s.在5个公开的表情数据集上验证网络模型对7种表情的识别效果,与7种卷积神经网络方法相比,在FER2013(Facial Expression Recognition 2013)、CK+(the extended Cohn-Kanade)和JAFFE(Japanses Female Facial Expres-sion)3个表情数据集的识别精确度提高了5.72％、0.51％和0.28％,在RAF-DB(Real-world Affective Faces Data-base)、AffectNet这两个in-the-wild表情数据库的识别精确度分别提高了2.04％ 和0.68％.结论 本文提出的轻量级表情识别方法在不同通道具有不同的加权能力,获取更多表情关键特征信息,提高了模型的泛化性.实验结果表明,本文方法在简化网络的复杂程度、减少计算量的同时能够准确识别人脸表情,能够有效提升网络的识别能力.
A CNN-improved and channel-weighted lightweight human facial expression recognition method

梁华刚、薄颖、雷毅雄、喻子鑫、刘丽华

展开 >

长安大学电子与控制工程学院,西安 710064

表情识别 图像处理 卷积神经网络(CNN) 深度可分离卷积 全局平均池化 SE模块

国家自然科学基金陕西省重点研发计划

619732432019ZDLGY03-01

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(12)
  • 1
  • 6