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）