摘要
在真实场景视频中进行面部表情识别是一项极具挑战性的任务，主要原因在于标注训练数据的匮乏。尽管大型深度神经网络（DNN）架构和集成方法已显著提升了性能，但由于数据不足，其性能往往在某一阶段趋于饱和。本文提出一种自训练方法，结合使用有标签数据集与无标签数据集（人体动作数据集——BoLD），有效缓解了数据稀缺问题。实验分析表明，通过迭代训练带有噪声的学生网络，能够显著提升模型性能。此外，我们的模型采用多层次注意力机制，对人脸的不同区域进行独立建模与处理，进一步增强了识别效果。实验结果表明，在基准数据集CK+和AFEW 8.0上，所提出的模型在单一模型中达到了当前最优（state-of-the-art）的性能表现。