В связи с проблемами модели сети ResNet18 при распознавании выражений лица, такими как большой размер модели и низкая точность, предложена облегченная модель ResNet на основе механизма внимания (Multi-Scale CBAM Lightweight ResNet, MCLResNet), которая способна с меньшим количеством параметров и более высокой точностью реализовать распознавание выражений лица. Во-первых, используется ResNet18 в качестве основной сети для извлечения признаков, введена групповая свертка для уменьшения количества параметров ResNet18; с использованием обратных остаточных блоков увеличена глубина сети, оптимизировано извлечение признаков изображений. Во-вторых, общий полностью связанный слой в канальном модуле внимания CBAM (Convolutional Block Attention Module) заменен на сверточный модуль 1×3, что эффективно снижает потерю информации по каналам; в пространственном модуле внимания CBAM добавлен мульти масштабный сверточный модуль для получения пространственных признаков на разных масштабах. В конце, мульти масштабный CBAM-модуль (Multi-Scale CBAM, MSCBAM), объединяющий пространственные признаки разных масштабов, добавлен в облегченную модель ResNet, что эффективно увеличивает способность выражения признаков в сети. Кроме того, в выходной слой модели с MSCBAM добавлен дополнительный полностью связанный слой для увеличения нелинейного представления на выходе. Экспериментальные результаты на наборах данных FER2013 и CK+ показывают, что предложенная модель сокращает количество параметров по сравнению с ResNet18 на 82,58% и обладает хорошей точностью распознавания.

легкая сеть ResNet; мульти масштабное объединение пространственных признаков; распознавание выражений лица; механизм внимания