摘要
本文提出了一种新型的面部表情识别网络——带空间偏置的轻量级面部网络（Lightweight Facial Network with Spatial Bias, LFNSB）。该模型在模型复杂度与识别精度之间取得了良好平衡。LFNSB包含两个核心组件：轻量级特征提取网络（Lightweight Feature Network, LFN）以及用于聚合全局信息的空间偏置（Spatial Bias, SB）模块。LFN引入了通道组合操作与深度可分离卷积技术，在显著减少参数量的同时，提升了特征表示能力。空间偏置模块使模型能够在关注局部面部特征的同时，有效捕捉不同面部区域之间的依赖关系。此外，本文设计了一种新型损失函数——余弦和谐损失（Cosine-Harmony Loss），该函数通过优化高维空间中特征向量的相对位置，实现了更优的特征分离与聚类效果。在AffectNet和RAF-DB数据集上的实验结果表明，所提出的LFNSB模型在面部表情识别任务中表现优异，不仅实现了较高的识别准确率，还大幅减少了模型参数数量，显著降低了模型复杂度。