基于高效注意力网络和师生迭代迁移学习的表情识别方法技术

一种基于高效注意力网络和师生迭代迁移学习的表情识别方法，所述方法构建基于高效注意力网络的轻量化表情识别模型，并利用表情数据集对高效注意力网络进行训练；然后将训练好的网络作为教师网络，将另一个高效注意力网络作为学生网络，利用教师网络输出的软化预测值对学生网络进行训练；将完成训练和测试的学生网络学习到的模型参数迁移至教师网络，重复迭代迁移训练，直至学生网络的识别准确率不再上升，最后利用学生网络对人脸表情进行识别。本发明专利技术在保证模型参数量与计算量水平的同时，增强了轻量网络拟合的能力，并通过师生迭代迁移学习优化软标签及特征信息，大大提升了模型识别精度，能够满足表情识别在边缘侧资源受限设备上的部署需求。备上的部署需求。备上的部署需求。

【技术实现步骤摘要】
基于高效注意力网络和师生迭代迁移学习的表情识别方法


[0001]本专利技术涉及一种基于高效注意力网络和师生迭代迁移学习的表情识别方法，属于信息处理


技术介绍

[0002]伴随着人工智能时代的来临，智能设备已经渗透到了人类生活的方方面面，其中人机交互技术作为人与设备间沟通的桥梁而显得尤为重要。面部表情作为人类的一种跨越种族和文化的非语言性信号，包含了丰富的心理活动信息。自动化的面部表情的识别对于刑事侦查讯问、疲劳驾驶识别和患者情绪监控等领域有着重大应用研究价值。
[0003]著名心理学家Paul Ekman在1978年将人类的表情定义为气愤、厌恶、恐惧、高兴、悲伤、惊讶与中性七种基本类别。传统的表情识别方法依赖于人为设计特征(局部二值模式、方向梯度直方图和主成分分析等)，执行效率高但无法充分适应各种场景的面部数据。近年来，深度学习技术在图像分类领域展现了在端到端学习与高精度识别上的巨大优势，越来越多的研究者们基于深度学习方法对面部表情建模来实现对表情的自动化识别。
[0004]Liu等(Liu K,Zhang M,Pan本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高效注意力网络和师生迭代迁移学习的表情识别方法，其特征是，所述方法构建基于高效注意力网络的轻量化表情识别模型，并利用经过预处理及数据增强的表情数据集对高效注意力网络进行训练；然后将训练好的高效注意力网络作为教师网络，将另一个高效注意力网络作为学生网络，利用教师网络输出的软化预测值对学生网络进行训练；将完成训练和测试的学生网络学习到的模型参数迁移至教师网络，重复迭代迁移训练，直至学生网络的识别准确率不再上升，最后利用学生网络对人脸表情进行识别。2.根据权利要求1所述的基于高效注意力网络和师生迭代迁移学习的表情识别方法，其特征是，表情数据集的预处理方法如下：将图像缩放为固定尺寸，统一图像分辨率并将像素值归一化，若原始图像为灰度图像则将其复制三份构成三通道张量。3.根据权利要求1或2所述的基于高效注意力网络和师生迭代迁移学习的表情识别方法，其特征是，对表情数据集进行数据增强的方法如下：按照左上、右上、居中、左下和右下位置对图像张量进行面积为90％的窗口采样以及水平翻转，得到数据增强后的表情图像数据集。4.根据权利要求3所述的基于高效注意力网络和师生迭代迁移学习的表情识别方法，其特征是，所述基于高效注意力网络的轻量化表情识别模型的构建方法为：首先基于MobileNetV2基本卷积模块引入局部通道注意力机制构建高效注意力逆残差块，将高效注意力逆残差块进行堆叠，构成高效注意力网络的主体，然后结合网络首部的二维卷积层将图像特征从空间域向通道域转换，最后由尾部的二维卷积层替代全连接层分类而组成轻量级的全卷积网络。5.根据权利要求4所述的基于高效注意力网络和师生迭代迁移学习的表情识别方法，其特征是，所述MobileNetV2基本卷积模块先通过一个卷积核尺寸为1的二维卷积对图像通道域升维，再使用一个卷积核尺寸为3的分组卷积逐通道收集空间特征，最后再通过一个卷积卷积核尺寸为1的二维卷积进行降维并逐点整合各通道的特征信息。6.根据权利要求5所述的一种基于高效注意力网络和师生迭代迁移学习的表情识别方法，其特征是，所述的局部通道注意力机制首先由全局池化层将输入H
×
W
×
C的张量t逐通道整合空间信息为1
×1×
C的一维特征向量，然后根据相邻通道的信息，由一个卷积核尺寸为3的一维卷积结合Sigmoid激活函数学习该通道所需的权重值，最后将该权值与原来的张量t...

【专利技术属性】
技术研发人员：孔英会，张帅桐，张珂，戚银城，车辚辚，赵振兵，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：