CN117912083B 一种线性自注意力的轻量化人脸表情识别方法 （湖北省三娃食品有限公司）

街道稻谷溪路松滋现代农博城26号楼一种线性自注意力的轻量化人脸表情识别本发明请求保护一种线性自注意力的轻量化人脸表情识别方法(LSViT)，旨在设计轻量化(ViT)参数较多的问题，设计基于CNN和ViT的轻2步骤2、全局线性自注意力模块通过捕获不同表情区域斑块的长距离依赖来获得全局步骤3、局部空间注意力模块通过MobileNext沙漏块以及池化操作来进行空间注意力B1、将输入的低级特征x展平为特征序列，经过线性映射矩阵Z进行哈达玛乘积得到最后的全局表情编码特征N(G)e线性自注意力计所述步骤4还包括：网络整体在鉴别损失Di-Loss监督下进行，扩其中XER"表示属于第j类的第i个样本的特征，表示第i个样本的权重矩阵，3程序被处理器执行时实现如权利要求1至2任一项所述线性自注意力的轻量化人脸表情识时实现如权利要求1至2任一项所述线性自注意4[0002]人脸表情识别(FER)任务在计算机视觉领域受到越来越多的关注，因为它在人机网络模型必须在网络初始阶段通过更多地关注重要的局部特征来学习对面部图像的全局注意力机制的平方级计算复杂度，ViT无法在资源有限的移动的设备上实现令人满意的结学习长距离归纳偏置方面的强大建模能力以克服基于CNN的FER模型的弱点仍然是一个有5区域之间的关联性，对于表情识别中的类间相似性及类内差异性问题未能得到良好解决。馈送至全局线性自注意力模块和局部空间注意力[0012]步骤2、全局线性自注意力模块通过捕获不同表情区域斑块的长距离依赖来获得[0013]步骤3、局部空间注意力模块通过MobileNext沙漏块以及池化操作来进行空间注道注意力模块进行通道特征加权后输入到分类6意力矩阵Z进行哈达玛乘积得到最后的全局表情编码特征N(G)e线性自注意[0026]C1、设xeRCXHXW是经过初始卷积后的输入张量，将X通过沙漏模块进行新的[0029]C2、通过使用两个池化操作来聚合特征映射的通道信AavgEwt"和来表示通道中的平均池化特后，通过Sigmod激活函数来产生空间注意力图空间注意力公式计算为：融合后的特征F经过ECANet进行通道注意力加权交互通道信息后，输入到分类器进行表情7[0041]其中表示属于第j类的第i个样本的特征，表示第i个样本的权重矩[0042]E2、加性角度间隔损失ArcFace损失将Softmax损失的偏置置为0，令处理器执行时实现如任一项所述线性自注意力的轻量化人脸表扰因素的面部表情时能够更集中于关键信息，并利用通道注意力进一步增加通道信息交8[0058]如附图1所示，一种基于线性自注意力的轻量化人脸表情识别方法，包括如下步初始特征分别馈送至全局线性自注意力模块和局部空间注意力模块中，具体包括以下步[0061]A2、将图像I输入到两个3×3卷积中提取图像初级特征，用x表示xeRCXHXW,[0062]2.如附图1所示，全局线性自注意力模块9意力矩阵Z进行哈达玛乘积得到最后的全局表情编码特征N(G)eRCXHXW。由于所设计[0069]3.如附图1所示，局部空间注意力模块主要[0070]C1、设xeRCXHXIV是经过初始卷积后的输入张量，将x通过沙漏模块进行新的[0073]C2、通过使用两个池化操作来聚合特征映射的通道信AavgER*"和来表示通道中的平均池化特征和最大池化后，通过Sigmod激活函数来产生我们的空间注意力图M(G)e简而言之注意力公式计算为：Concat操作将特征进行融合FeR2CXHXW,用公式表示为：提高类内样本的相似性和类间样本的多样性，这导致了深度人脸表情识别的性能差距。ArcFace损失在最近被提出用以显著的扩大类间距离并缩小类内距离，取得了竞争性的结[0085]其中表示属于第j类的第i个样本的特征，W以表示第i个样本的权重矩[0086]E2、加性角度间隔损失ArcFace损失