第22卷第2期2023年2月Vol.22No.2Feb.2023软件导刊SoftwareGuide多尺度注意力机制DenseNet网络的表情识别方法郑伟（南京邮电大学通信与信息工程学院，江苏南京210003）摘要：面部表情识别是人机交互研究领域的核心之一，现有的基于传统手工特征的面部表情识别方法难以应用在复杂多变的应用场景中。基于此，提出一种多尺度注意力机制的密集连接网络（DenseNet）表情识别方法。该网络模型对DenseNet121网络层数进行了简化，并引入多尺度结构和通道注意力模块MECANet，使得网络提取的面部表情特征更具判别性，有利于后续网络的表情分类。网络模型采用随机梯度下降算法进行训练，在CK+和FER2013数据集上取得了较高的识别率，分别达到96.2%和85.5%，与DenseNet121网络相比提高了8.4%和8.6%。关键词：面部表情识别；密集连接网络；多尺度结构；MECANetDOI：10.11907/rjdk.221242开放科学（资源服务）标识码（OSID）：中图分类号：TP391.41文献标识码：A文章编号：1672-7800（2023）002-0081-06ExpressionRecognitionMethodUsingDenseNetBasedonMulti-scaleAttentionMechanismZHENGWei（SchoolofCommunicationandInformationEngineering，NanjingUniversityofPostsandTelecommunications，Nanjing210003，China）Abstract：Facialexpressionrecognitionisoneofthecoreofhuman-computerinteractionresearchfield.Theexistingfacialexpressionrecog⁃nitionmethodsbasedontraditionalmanualfeaturesaredifficulttobeappliedincomplexandchangeableapplicationscenes.Basedonthis，anexpressionrecognitionmethodofDenseNetnetworkwithmulti-scaleattentionmechanismisproposed.ThenetworkmodelsimplifiesthelayersofDenseNet121network，insertsmulti-scalestructureandchannelattentionmoduleMECANet，whichmakesthefacialexpressionfeaturesextractedbythenetworkmorediscriminativeandconducivetotheexpressionclassificationofsubsequentnetworks.Thenetworkmodelistrainedbyrandomgradientdescentalgorithm.HighrecognitionratesareachievedonCK+andFER2013datasets，reaching96.2%and85.5%respectively，whichare8.4%and8.6%higherthanDenseNet121network.KeyWords：facialexpressionrecognition；DenseNet；multiscalestructure；MECANet0引言面部表情识别方法是人机交互领域的重要核心，已经广泛应用于在线教育、疲劳驾驶检测等领域［1-3］。关于面部...
