基于压缩与激励机制的视觉Transformer在面部表情识别中的学习

近几十年来，随着多种面部表情数据库的公开，面部表情识别（Facial Expression Recognition, FER）任务受到了广泛关注。然而，现有数据库来源多样，给面部表情识别任务带来了诸多挑战。这些挑战通常通过卷积神经网络（Convolutional Neural Network, CNN）架构来应对。与CNN模型不同，近年来基于注意力机制的Transformer模型被提出用于解决视觉任务。然而，Transformer模型的一个主要问题在于其训练通常需要大量数据，而大多数FER数据库的数据量相较于其他视觉应用仍显不足。为此，本文提出一种将视觉Transformer与挤压-激励（Squeeze-and-Excitation, SE）模块相结合的联合学习方法，以提升FER任务的性能。所提出的方法在多个公开可用的FER数据库（包括CK+、JAFFE、RAF-DB和SFEW）上进行了评估。实验结果表明，该模型在CK+和SFEW数据集上优于当前最先进的方法，并在JAFFE和RAF-DB数据集上取得了具有竞争力的性能。