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，被廣泛應用于公共安全、在線教育、醫(yī)療等領域。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習兩個方向。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計，計算復雜，在表情識別中效果不佳，正逐漸被基于深度學習的卷積神經(jīng)網(wǎng)絡所取代。

　　利用深度學習進行圖像識別任務時，通常選擇增加卷積神經(jīng)網(wǎng)絡的深度、寬度以及豐富網(wǎng)絡感受野的方式來提升網(wǎng)絡性能和容量。而在網(wǎng)絡中引入注意力機制相比以上三種方式可以使網(wǎng)絡重點關注圖像細節(jié)特征，將原先的平均分配資源變成根據(jù)關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重，從中提取關鍵特征信息。文獻［4］提出SENet網(wǎng)絡結構，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)絡結合。文獻［6］提出一種卷積注意力模塊（Convolutional Block Attention Module，CBAM），結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。

本文詳細內(nèi)容請下載：http://theprogrammingfactory.com/resource/share/2000003115

作者信息：

高健，林志賢，郭太良

（福州大學 物理與信息工程學院，福建 福州 350116）