面向表情识别的重影非对称残差注意力网络模型
针对ResNet50中的Bottleneck经过1×1卷积降维后主干分支丢失部分特征信息而导致在表情识别中准确率不高的问题,本文通过引入Ghost模块和深度可分离卷积分别替换Bottleneck中的1×1卷积和3×3卷积,保留更多原始特征信息,提升主干分支的特征提取能力;利用Mish激活函数替换Bottleneck中的ReLU激活函数,提高了表情识别的准确率;在此基础上,通过在改进的Bottleneck之间添加非对称残差注意力模块(asym-metric residual attention block,ARABlock)来提升模型对重要信息的表示能力,从而提出一种面向表情识别的重影非对称残差注意力网络(ghost asymmetric residual attention network,GARAN)模型.对比实验结果表明,本文方法在FER2013和CK+表情数据集上具有较高的识别准确率.
表情识别、特征提取、ResNet50、Ghost模块、Mish、非对称残差注意力、深度可分离卷积、深度学习
18
TP391(计算技术、计算机技术)
国家重点研发计划;国家自然科学基金;重庆市自然科学基金
2023-04-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
333-340