任志强 迟杏 朱煜君 刘型定 张欣



摘 要: 传统CNN对重要通道特征关注不足,制约面部表情识别准确率。文章将通道注意力机制应用到面部表情识别中,即将通道注意力模块嵌入到卷积网络中。在Fer2013和CK+表情数据集上的验证结果表明,该方法有较高的识别率。
关键词: 面部表情识别; 通道注意力机制; 卷积网络; 表情数据集
中图分类号:TP181 文献标识码:A 文章编号:1006-8228(2022)03-24-03
Abstract: Traditional CNN pays insufficient attention to important channel features, which restricts the accuracy of facial expression recognition. This paper applies the channel attention mechanism to facial expression recognition, i.e., to embed the channel attention module in the convolution network. The verification results on Fer2013 and CK + expression data sets show that the proposed method has high recognition rate.
Key words: facial expression recognition; channel attention mechanism; convolution network; expression data sets
0 引言
面部表情不仅可显示交际者的情绪状态,还可传达交际者的深层思想和情感[1]。Mehrabian的研究表明,人际交往中面部表情所传达的信息占比高达55%[2-3]。在医疗、教育等领域建立人脸表情分析系统具有重要意义[4]。
深度学习在面部表情识别中的应用多基于深度网络,国内外许多学者研究了基于深度学习的面部表情识别方法。H. Sikkandar等[5]将改进的猫群算法应用于面部表情识别,取得良好识别效果。邵杰等[6]提出稠密人脸活跃度网络,在Fer2013[7]上获得了71% 的识别率。何俊等[8]改进残差网络,并引入迁移学习,在CK+[9]上实现较高识别率。
为了进一步提高面部表情识别的准确率,本文提出一种基于通道注意力的表情识别方法。将通道注意力机制引入残差网络,使网络自动学习每个特征通道的重要性,提升对重要通道特征的关注度。然后设计全连接层,利用Softmax对全连接层的输出进行分类。最后设计对比实验,在公共数据集上进行训练和测试,实验结果表明了本文方法的有效性。
1 本文方法
1.1 基于通道注意力机制的面部表情识别网络……p>