记忆补丁注意力神经网络用于面部表情识别和边缘计算.
Kechao Zheng1, Yue Zhou1,2, Shukai Duan1,2
1College of Artificial Intelligence, Southwest University, Chongqing, 400715 China.
Cognitive neurodynamics
|August 6, 2024
概括
这项研究引入了一种用于面部表情识别的新型网络,通过结合注意力机制来捕捉关键的低级特征来增强卷积神经网络 (CNN). 拟议的模型在多个数据集上实现了高精度,并为边缘计算提供了硬件友好的设计.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 卷积神经网络 (CNN) 已经推进了面部表情识别.
- 更深的CNN模型往往会失去关键的低层面部特征,阻碍识别的准确性.
- 目前的模型中,低级别的面部特征之间的依赖往往被忽视.
研究的目的:
- 提出一种基于CNN的新型网络,用于面部表情识别.
- 为了解决深度CNN中低级特征的丢失.
- 通过捕捉远程依赖来提高面部表情识别的准确性.
主要方法:
- 引入了多个注意力机制,以提取低级特征的远程依赖性.
- 设计了一个补丁注意力机制,以捕捉低级别面部表情特征之间的依赖关系.
- 将卷积块注意模块 (CBAM) 集成到骨干网络中.
主要成果:
- 在CK+ (98.10%),JAFFE (95.12%) 和FER2013 (73.50%) 数据集上实现了竞争性准确性.
- 通过注意力机制表现出改善的特征提取能力.
- 提出了一个硬件友好的实施方案,使用memristor横杆.
结论:
- 这种新型网络有效地捕捉低级别的面部特征,提高识别准确度.
- 拟议的方法为边缘计算中的面部表情识别提供了一个有希望的解决方案.
- 硬件实施方案有助于在个人和可穿戴电子设备上有效部署.
更多相关视频
05:48Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
Published on: August 9, 2024
1.5K
07:12Protocol for Data Collection and Analysis Applied to Automated Facial Expression Analysis Technology and Temporal Analysis for Sensory Evaluation
Published on: August 26, 2016
9.4K
