ResNet18 네트워크 모델이 얼굴 표정 인식 시 모델 크기가 크고 정확도가 낮은 문제를 해결하기 위해 집중 메커니즘 기반의 경량 ResNet 네트워크 모델(Multi-Scale CBAM Lightweight ResNet, MCLResNet)을 제안하였다. 이 모델은 적은 파라미터 수와 높은 정확도로 얼굴 표정을 인식할 수 있다. 먼저 ResNet18을 주 네트워크로 사용하여 특징을 추출하고, 그룹 컨볼루션을 도입하여 ResNet18의 파라미터 수를 줄였다; 역잔차 구조를 이용하여 네트워크 깊이를 증가시키고 이미지 특징 추출 효과를 최적화하였다. 둘째, CBAM(Convolutional Block Attention Module) 채널 주의 모듈에서 공유 완전 연결 층을 1×3 컨볼루션 모듈로 대체하여 채널 정보 손실을 효과적으로 줄였다; CBAM 공간 주의 모듈에 다중 스케일 컨볼루션 모듈을 추가하여 다양한 스케일의 공간 특징 정보를 얻었다. 마지막으로, 다중 스케일 공간 특징을 융합하는 CBAM 모듈(Multi-Scale CBAM, MSCBAM)을 경량 ResNet 모델에 추가하여 네트워크 모델의 특징 표현 능력을 효과적으로 향상시켰으며, MSCBAM이 도입된 네트워크 모델 출력층에 완전 연결 층을 추가하여 출력 시 비선형 표현을 증가시켰다. FER2013과 CK+ 데이터셋에서의 실험 결과는 제안된 모델이 ResNet18 대비 파라미터 수를 82.58% 감소시키면서도 우수한 인식 정확도를 보임을 나타낸다.

경량 ResNet 네트워크; 다중 스케일 공간 특징 융합; 얼굴 표정 인식; 주의 메커니즘