一个基于互动信息的DCNN-BiLSTM模型,具有面部表情识别的双重注意力机制

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:

• 人类面部表情显著影响行动和决策.
• 基本卷积神经网络 (CNN) 在运行速度和复杂性方面面临挑战.
• 准确的面部表情识别对于人机交互和行为分析至关重要.

研究的目的:

• 开发一个高效,准确的面部表情识别模型.
• 改善从面部图像对人类情绪的分类.
• 为了解决现有的CNN模型的复杂性和速度限制.

主要方法:

• 提出了一个深度卷积神经网络 (DCNN),与双长期短期记忆 (Bi-LSTM) 集成.
• 整合了一个单一和交叉融合的注意力机制,用于空间和通道信息的提取.
• 采用零碎立方体多项式和线性激活函数,用于更快的交互式学习信息 (ILI) 处理.
• 雇员全球平均汇总 (GAP) 和软max分类器用于将情绪分类为7个类别.

主要成果:

• 实现了高准确率: 82.89% (FER 2013),96.78% (CK+),95.78% (RAF-DB) 和95.87% (JAFFE) 的高准确率.
• 证明了较低的虚假识别率 (FAR):7.23% (FER 2013),1.42% (CK+),1.96% (RAF-DB) 和1.78% (JAFFE). 在这些国家,虚假识别率较低.
• 呈现出优异的真实认可率 (GAR):88.57% (FER2013),97.23% (CK+),96.87% (RAF-DB) 和96.32% (JAFFE) 的情况.

结论:

• 拟议的DCNN与Bi-LSTM和注意力机制的性能优于现有的基准测试方法.
• 该模型在面部表情识别准确性和效率方面取得了重大进展.
• 这种方法对于需要可靠的情绪检测的现实应用具有前景.