一个基于制造技术

一个基于

【技术实现步骤摘要】
一个基于Gabor卷积和Transformer的学生表情识别模型


[0001]本专利技术属于计算机视觉领域，特别涉及一种表情识别模型方法设计，具体涉及一个基于
Gabor
卷积和
Transformer
的学生表情识别模型
。

技术介绍

[0002]随着计算机视觉技术及硬件设备的高速发展，研究人员开始研究人脸表情识别技术
Facial Expression Recognition
，
FER
，通过分析人脸面部表情蕴含的信息，以更好地理解人们的行为或给予针对性的响应
。
当前已经提出了许多方法来处理人脸表情识别问题
。
总的来说，当前的主流表情识别方法大致可以分为两大类，即传统方法和基于深度学习的方法
。
[0003]传统的
FER
任务依赖于基于几何和外观的局部特征提取
。
通过面部特征提取算法来提取局部
、
全局或混合特征作为分类器的输入，帮助分类器识别面部表情
。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一个基于
Gabor
卷积和
Transformer
的学生表情识别模型，其特征在于，步骤如下：
1)GC
‑
Block
模块对输入图像进行处理；
2)
采用包括
Transformer
模块和
GC
‑
Basic
‑
Block
模块的特征提取块
GVT
‑
Block
，引入残差连接，通过
backbone
对特征图做更细粒度的特征提取和升维；
3)backbone
重复4次以构建更深的网络；
4)
接入全局平均池化和全连接层实现图像的分类
。2.
根据权利要求1所述的一个基于
Gabor
卷积和
Transformer
的学生表情识别模型，其特征在于，所述的
1)
中，具体方法为：
GC
‑
Block
模块由两个
5*5
的
Gabor
卷积层组成，每个
Gabor
卷积层后添加
BN
层进行归一化来防止过拟合，
BN
层后添加
GELU
激活函数，来对归一化后的特征图进行非线性变换；
GC
‑
Block
模块通过
Gabor
卷积生成增强的特征映射，捕捉面部表情图像纹理信息和边缘特征，提取具有先验知识的特征图作为后续
backbone
的输入；第一个
Gabor
卷积用于提取特征时，将
expand
参数设置为
true
用于将输入张量扩展为一个更大的张量以进行卷积，确保
Gabor
滤波器能够卷积整个输入；
Nscale
参数指定了每个尺度上
Gabor
滤波器的方向数，卷积过程如公式1所示：其中，
F
是输入特征图，
C
i
是第
i
个
GoF
，具体计算过程如公式2所示：其中
(n)
表示
F
和
C
i,u
的第
n
个通道，
k
代表不同方向，而
F
i,k
是
F
i
的第
k
个方向响应，表示卷积过程，通过卷积显著增强特征中的方向信息；
Gabor
卷积层后都添加了
BN
层进行归一化，
BN
层添加了
GELU
激活函数，来对归一化后的特征图进行非线性变换，计算过程如公式3和公式4所示
。f
＝
GeLu(f
′
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(
公式
4)
其中，
BN
是归一化层，
GeLu()
是激活函数
GeLu
；
GeLu
激活函数的计算过程被描述成：对于每一个输入
x
都乘以一个二项式分布
φ
(x)
，即
GeLu(x)
＝
x
·
φ
(x)
，因为
φ
(x)
无法直接计算，因此对于标准正态分布的
GeLu
激活函数近似计算的具体公式如公式5所示：由公式可知，
GeLu
激活函数就是双曲正切函数
tanh
与近似数值的组合
。3.
根据权利要求1所述的一个基于
Gabor
卷积和
Transformer
的学生表情识别模型，其特征在于，所述的
2)
中，具体方法为：
backbone
采用
3*3
的
Gabor
卷积对特征图做更细粒度的特征提取和升维，
GC
‑
Block
...

【专利技术属性】
技术研发人员：曲大鹏，杨天奇，郭伟嘉，吴俊，吕红，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：