结合注意力机制的轻量化人脸表情识别方法

针对目前人脸表情识别方法存在参数量多、计算资源消耗大和识别精度低的问题,研究一种轻量化的人脸表情识别方法。首先,对MobileNet V3L网络层数进行缩减,同时将倒残差结构中间通道数和输出通道数增大至原来的1.5~3.2倍。其次,引入改进的条件坐标注意力机制,在坐标信息嵌入中根据中间通道的数量,选择平均池化或最大池化进行编码,提取面部表情在空间和通道位置上的详细信息。最后,使用Mish代替h-swish激活函数,实现特征提取后的非线性化。在公开数据集FERPlus和RAF-DB进行实验,结果表明,所提方法比原始MobileNet系列模型识别精度分别提高0.60%和1.07%以上。所提方法比Ada-CM网络推理速度提升21.94%,识别精度提高0.49%以上,实验表明该方法具有良好的识别性能。

NCA-MobileNet:一种轻量化人脸表情识别方法

针对目前人脸面部表情识别方法存在参数量多、计算资源消耗大和识别精度低的问题,提出了一种基于条件协调注意力机制的轻量化人脸面部表情识别方法。首先,对MobileNet V3网络层数进行缩减,同时将倒残差结构中间通道数和输出通道数增大至原来的1.5~3.2倍,使用Mish代替Hardswish激活函数,实现特征提取后的非线性化。其次,引入改进的协调注意力机制,在张量信息嵌入中沿水平和竖直方向依次通过最大池化和平均池化进行编码,并通过张量信息集成产生具有全局感受野和精确位置信息特征,提取面部表情在空间和通道位置上的详细信息。最后,在公开数据集FERPlus和RAF-DB上进行实验,结果表明所提方法参数量降低15.91%,准确率分别为88.84%和85.90%,比改进前模型准确率分别提升0.83%和1.39%。该方法具有良好的识别性能,验证了所提方法的有效性。