基于多尺度分层双线性池化网络的细粒度表情识别模型

摘要

人脸表情细微的类间差异和显著的类内变化增加了人脸表情识别难度.构建一个基于多尺度双线性池化神经网络的识别模型.设计3种不同尺度网络提取人脸表情全局特征,并引入分层双线性池化层,集成多个同一网络及不同网络的多尺度跨层双线性特征以捕获不同层级间的部分特征关系,从而增强模型对面部表情细微特征的表征及判别能力.同时,使用逐层反卷积融合多层特征信息,解决神经网络通过多层卷积层、池化层提取特征时丢失部分关键特征的问题.实验结果表明,该模型在FER2013和CK+公开数据集上的识别率分别为73.725％、98.28％,优于SLPM、CL、JNS等人脸表情识别模型.