基于注意力机制的人脸表情识别迁移学习方法

亢 洁，李思禹

(陕西科技大学 电气与控制工程学院，陕西 西安 710021)

0 引 言

人脸表情[1,2]识别最核心的部分是特征提取。经典的方法都是以人工特征为基准进行提取的，如LBP[3]、HOG[4]等。但是特征选取的好坏直接决定了表情识别准确率的高低，这对于表情识别是极其不稳定的。卷积神经网络(convolution neural network，CNN)不需要手动提取特征，然而提高卷积神经网络的人脸表情识别性能最直观的方法是堆叠更多的层，因此网络基础结构也在研究中随着性能的提升而不断增大。卷积神经网络的另一个缺点是依赖于大量的数据驱动，尤其是在人脸表情识别中，很难获取大量识别场景下的标注表情数据集。此时将现有的小型已标记的数据集应用于具有大型基础结构的网络中，容易产生过拟合，网络识别性能下降。

针对以上问题，本文提出了一种基于注意力机制的人脸表情识别迁移学习方法。该方法具有以下两个特点：设计了一个基于特征分组和空间增强注意力机制(spatial group-wise enhance module，SGE)[5]的轻量型卷积神经网络来有效提取人脸表情特征；利用迁移学习在目标函数中构造了一个基于log-Euclidean距离的损失项来减小源域与目标域之间的分布距离。

1 本文方法

1.1 基于注意力机制的人脸表情识别迁移学习方法

迁移学习的主要思想是对源域的标注数据或知识结构进行迁移，以完成或提高目标领域的学习效果。领域自适应是迁移学习重要的一个分支，其目的是在不同领域内存在差异的情况下传递知识。……