融合全局增强-局部注意特征的表情识别网络

TP391.4; 为抑制自然场景下遮挡和姿态变化等因素对人脸表情识别的影响,提出一种融合全局增强-局部注意特征(GE-LA)的表情识别网络.为获取增强的全局上下文信息,构建通道-空间全局特征增强结构,该结构采用通道流模块(CFM)和空间流模块(SFM),分别获取对称多尺度通道语义以及像素级空间语义,并结合两类语义生成全局增强特征;为抽取局部细节特征,将高效通道注意力(ECA)机制改进为通道-空间注意力(CSA)机制,并以此构建局部注意模块(LAM)获取通道和空间高级语义.为提升网络对遮挡、姿态变化等因素的抗干扰能力,设计一种自适应策略实现全局增强特征和局部注意特征的加权融合,并基于自适应融合特...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 18; no. 9; pp. 2487 - 2500
Main Authors 刘娟, 王颖, 胡敏, 黄忠
Format Journal Article
LanguageChinese
Published 合肥工业大学 计算机与信息学院 情感计算与先进智能机器安徽省重点实验室,合肥 230009 01.09.2024
安庆师范大学 电子工程与智能制造学院,安徽 安庆 246133%合肥工业大学 计算机与信息学院 情感计算与先进智能机器安徽省重点实验室,合肥 230009%安庆师范大学 电子工程与智能制造学院,安徽 安庆 246133
Subjects
人脸表情识别
global enhancement features
自适应融合策略
local attention features
全局增强特征
facial expression recognition
局部注意特征
adaptive fusion strategy
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.2307013

Cover

More Information
Summary:TP391.4; 为抑制自然场景下遮挡和姿态变化等因素对人脸表情识别的影响,提出一种融合全局增强-局部注意特征(GE-LA)的表情识别网络.为获取增强的全局上下文信息,构建通道-空间全局特征增强结构,该结构采用通道流模块(CFM)和空间流模块(SFM),分别获取对称多尺度通道语义以及像素级空间语义,并结合两类语义生成全局增强特征;为抽取局部细节特征,将高效通道注意力(ECA)机制改进为通道-空间注意力(CSA)机制,并以此构建局部注意模块(LAM)获取通道和空间高级语义.为提升网络对遮挡、姿态变化等因素的抗干扰能力,设计一种自适应策略实现全局增强特征和局部注意特征的加权融合,并基于自适应融合特征实现表情分类.在自然场景人脸表情数据集RAF-DB和FERPlus上的实验结果表明,提出网络的表情识别率分别为89.82%和89.93%,比基线网络ResNet50分别提高了13.39个百分点和10.62个百分点.与相关方法相比,提出方法降低了遮挡、姿态变化的影响,在自然场景下具有较好的表情识别效果.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.2307013