注意力分层双线性池化残差网络的表情识别
【摘要】 由于人脸表情图像具有细微的类间差异信息和类内公有信息，提取具有判别性的局部特征成为关键问题，为此提出了一种注意力分层双线性池化残差网络。该模型采用有效的通道注意力机制显式地建模各通道的重要程度，为输出特征图分配不同的权重，按权重值大小定位显著区域。并添加了一个新的分层双线性池化层，集成多个跨层双线性特征来捕获层间部分特征关系，以端到端的深度学习方式在特征图中进行空间池化，使所提网络模型更适合精细的面部表情分类。分别在FER-2013和CK+数据集上对设计的网络进行实验，最高识别率分别为73.84%和98.79%，达到了具有竞争性的分类准确率，适用于细微的面部表情图像识别任务。
