摘要
近年来，面部表情识别（Facial Expression Recognition, FER）在计算机视觉研究领域受到广泛关注。本文提出一种名为双方向注意力混合特征网络（Dual-Direction Attention Mixed Feature Network, DDAMFN）的创新网络架构，专为FER任务设计，兼具优异的鲁棒性与轻量化特性。该网络架构由两个核心组件构成：作为主干网络的混合特征网络（Mixed Feature Network, MFN）以及作为头部结构的双方向注意力网络（Dual-Direction Attention Network, DDAN）。为增强MFN的特征提取能力，采用多尺寸卷积核以提取更具韧性的特征表示。同时，本文提出一种新型双方向注意力（Dual-Direction Attention, DDA）机制，能够生成两个方向的注意力图，从而有效捕捉面部表情中的长程依赖关系。为进一步提升模型精度，本文还设计了一种新颖的注意力损失机制，使不同注意力头能够聚焦于输入图像的不同区域，实现更精细的特征关注。在多个广泛使用的公开数据集（包括AffectNet、RAF-DB和FERPlus）上的实验结果表明，DDAMFN在性能上显著优于现有主流模型，充分验证了其在面部表情识别领域的先进性，确立了其作为当前该领域最先进模型的地位。