《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 人工智能 > 業(yè)界動態(tài) > 基于混合注意力機制的表情識別研究

基于混合注意力機制的表情識別研究

2020-12-15
作者:高健,,林志賢,,郭太良
來源:2020年信息技術(shù)與網(wǎng)絡(luò)安全第1期

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(yīng)用于公共安全,、在線教育,、醫(yī)療等領(lǐng)域,。目前,,表情識別的研究工作主要分為傳統(tǒng)的人工特征提取和基于深度學(xué)習(xí)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(shè)計,,計算復(fù)雜,,在表情識別中效果不佳,正逐漸被基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)所取代,。

  利用深度學(xué)習(xí)進行圖像識別任務(wù)時,,通常選擇增加卷積神經(jīng)網(wǎng)絡(luò)的深度、寬度以及豐富網(wǎng)絡(luò)感受野的方式來提升網(wǎng)絡(luò)性能和容量,。而在網(wǎng)絡(luò)中引入注意力機制相比以上三種方式可以使網(wǎng)絡(luò)重點關(guān)注圖像細(xì)節(jié)特征,,將原先的平均分配資源變成根據(jù)關(guān)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(quán)重,,從中提取關(guān)鍵特征信息,。文獻[4]提出SENet網(wǎng)絡(luò)結(jié)構(gòu),,采用壓縮和激勵模塊(SqueezeandExcitation 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(jīng)網(wǎng)絡(luò)結(jié)合。文獻[6]提出一種卷積注意力模塊(Convolutional Block Attention Module,,CBAM),,結(jié)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(xì)內(nèi)容請下載:http://forexkbc.com/resource/share/2000003115





作者信息:

高健,林志賢,,郭太良

(福州大學(xué) 物理與信息工程學(xué)院,,福建 福州 350116)


本站內(nèi)容除特別聲明的原創(chuàng)文章之外,轉(zhuǎn)載內(nèi)容只為傳遞更多信息,,并不代表本網(wǎng)站贊同其觀點,。轉(zhuǎn)載的所有的文章、圖片,、音/視頻文件等資料的版權(quán)歸版權(quán)所有權(quán)人所有,。本站采用的非本站原創(chuàng)文章及圖片等內(nèi)容無法一一聯(lián)系確認(rèn)版權(quán)者。如涉及作品內(nèi)容,、版權(quán)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(dāng)措施,,避免給雙方造成不必要的經(jīng)濟損失,。聯(lián)系電話:010-82306118;郵箱:[email protected],。