-
题名基于轻量级注意力残差网络的面部表情识别方法
- 1
-
-
作者
郜高飞
邵党国
马磊
易三莉
-
机构
昆明理工大学信息工程与自动化学院
-
出处
《吉林大学学报(理学版)》
北大核心
2025年第2期437-444,共8页
-
基金
国家自然科学基金(批准号:62266025)
云南省计算机技术应用重点实验室开放基金(批准号:CB22144S078A)。
-
文摘
针对卷积神经网络参数量大、训练时间长的问题,提出一种基于轻量级注意力残差网络的面部表情识别方法.首先,以残差网络为骨架重新搭建模型,通过减少层数并改进残差模块提高模型性能;其次,引入深度可分离卷积减少模型的参数量和计算工作量;最后,采用Mish函数替代ReLU函数的挤压激励模块自适应地调整通道权重.该模型在两个公共数据集CK+和JAFFE上采用经典的十折交叉验证方式进行验证,分别获得了98.16%和96.67%的准确率.实验结果表明,该方法在模型识别精度和复杂度之间进行了较好权衡.
-
关键词
面部表情识别
轻量级
残差网络
深度可分离卷积
注意力机制
-
Keywords
facial expression recognition
lightweight
residual network
depthwise separable convolution
attention mechanism
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进MobileNetV2的人脸表情识别
被引量：9
- 2
-
-
作者
严春满
张翔
王青朋
-
机构
西北师范大学物理与电子工程学院
-
出处
《计算机工程与科学》
CSCD
北大核心
2023年第6期1071-1078,共8页
-
基金
国家自然科学基金(61961037)
甘肃省教育厅2021年度产业支撑计划(2021CYZC-30)。
-
文摘
针对现有深度卷积神经网络参数量庞大,导致人脸表情识别场景受限的问题,提出一种基于改进轻量级卷积神经网络的人脸表情识别模型。该模型以MobileNetV2轻量级特征提取网络为主要框架,通过压缩网络宽度因子与整体维度,减少网络参数量与计算量;引入SandGlass模块对网络倒残差模块进行改进,减少特征信息在网络传输中的丢失;同时嵌入高效通道注意力机制,提高网络对于特征信息的提取能力。在人脸表情数据集FER2013和CK+上进行实验,所提网络模型的人脸表情识别准确率达到了68.96%与95.96%,分别高于MobileNetV21.06%与6.14%,且参数量下降82.28%,实验结果验证了网络模型改进措施的有效性。
-
关键词
人脸表情识别
轻量级网络
MobileNetV2
倒残差模块
通道注意力
-
Keywords
facial expression recognition
lightweight network
MobileNetV2
inverted residual block
channel attention
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进卷积神经网络的多视角人脸表情识别
被引量：22
- 3
-
-
作者
钱勇生
邵洁
季欣欣
李晓瑞
莫晨
程其玉
-
机构
上海电力学院电子与信息工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2018年第24期12-19,共8页
-
基金
国家自然科学基金青年科学基金项目(No.61302151
No.61401268)
上海市自然科学基金(No.15ZR1418400)
-
文摘
人脸表情识别是计算机视觉领域的研究热点之一。针对自然状态下的人脸存在多视角变化、脸部信息缺失等问题,提出了一种基于MVFE-LightNet(Multi-View Facial Expression Lightweight Network)的多视角人脸表情识别方法。首先,在残差网络的基础上设计卷积网络提取不同视角下的表情特征,引入深度可分离卷积来减少网络参数。其次,嵌入压缩和奖惩网络模块学习特征权重,利用特征重新标定方式提高网络表示能力,并通过加入空间金字塔池化增强网络的鲁棒性。最后,为了进一步优化识别结果,采用AdamW(Adam with Weight decay)优化方法使网络模型加速收敛。在RaFD、BU-3DFE和Fer2013表情库上的实验表明,该方法具有较高的识别率,且减少网络计算时间。
-
关键词
多视角人脸表情识别
MVFE—LightNet
残差网络
深度可分离卷积
压缩和奖惩网络模块
空间金字塔池化
-
Keywords
multi-view facial expression recognition
multi-view facial expression lightweight network （mvfe-lightnet）residual network
depthwise separable convolution
Sequeeze-and-Excitation block
spatial pyramid pooling
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
