0 引言
人臉表情識別作為人機交互的重要組成部分，一直是計算機視覺的研究熱點，被廣泛應用于公共安全、在線教育、醫療等領域。目前，表情識別的研究工作主要分為傳統的人工特征提取和基于深度學習兩個方向。人工特征常被用于提取圖像的外觀特征，包括Gabor、HOG以及局部二進制LBP等。但由于人工特征受限于算法的設計，計算復雜，在表情識別中效果不佳，正逐漸被基于深度學習的卷積神經網絡所取代。
利用深度學習進行圖像識別任務時，通常選擇增加卷積神經網絡的深度、寬度以及豐富網絡感受野的方式來提升網絡性能和容量。而在網絡中引入注意力機制相比以上三種方式可以使網絡重點關注圖像細節特征，將原先的平均分配資源變成根據關注對象的重要程度進行重新分配，對模型中不同部分賦予權重，從中提取關鍵特征信息。文獻［4］提出SENet網絡結構，采用壓縮和激勵模塊（SqueezeandExcitation block,SE），對重要通道特征進行強化從而提升識別率。文獻［5］提出瓶頸注意力模塊，可與任何前向傳播神經網絡結合。文獻［6］提出一種卷積注意力模塊（Convolutional Block Attention Module，CBAM），結合了空間注意力和通道注意力，相比SENet［4］只包含通道注意力識別效果更佳。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000003115
作者信息：
高健，林志賢，郭太良
（福州大學 物理與信息工程學院，福建 福州 350116）
本站內容除特別聲明的原創文章之外，轉載內容只為傳遞更多信息，并不代表本網站贊同其觀點。轉載的所有的文章、圖片、音/視頻文件等資料的版權歸版權所有權人所有。本站采用的非本站原創文章及圖片等內容無法一一聯系確認版權者。如涉及作品內容、版權和其它問題，請及時通過電子郵件或電話通知我們，以便迅速采取適當措施，避免給雙方造成不必要的經濟損失。聯系電話：010-82306118；郵箱：aet@chinaaet.com。