跨层对比表情识别模型

浅层特征充分学习

通过跨层对比学习对齐浅层与深层特征语义，并利用注意力模块自适应融合多尺度特征，提升自然场景下表情识别的细粒度表征能力。

解为成 · Zhibin, Peng · 沈琳琳 · Wenya, Lu · 张阳 · Song, Siyang

IEEE Transactions on Image Processing 2024

参数信息

识别准确率

65.29 %

技术优势

浅层特征学得更充分

通过跨层对比学习增强浅层特征的梯度强度，使其表征能力接近深层特征，从而捕捉更多细粒度信息。

多尺度特征自适应融合

引入注意力模块对不同层的特征进行加权融合，模型能根据输入自适应调整各尺度的重要性，提升整体表征能力。

多个基准上达到先进水平

在三个自然场景表情数据库上取得最高准确率，在 AffectNet 上获得次优结果，证明方法的有效性和泛化能力。

应用场景

• 情感计算：提升自然场景下表情识别的准确率，支撑更可靠的情感计算应用。
• 人机交互：使机器人更准确地理解人类表情，从而做出更自然的交互响应。
• 心理健康监测：通过更精确的表情识别辅助评估情绪状态，用于心理健康监测。
• 用户情感感知：提升系统对用户情感的感知精度，优化个性化服务体验。