要約
自動顔面表情認識（FER）は、人間-コンピュータインタラクションにおける応用が広がる中で、注目を集めている。FERの性能向上に向けたアプローチの一つとして、本研究では注目メカニズム（attention mechanism）を搭載した深層学習アーキテクチャに焦点を当てる。本研究では、CNNの顔面表情認識性能を向上させるための新しい「マスキングアイデア」を提案する。この手法は、セグメンテーションネットワークを用いて特徴マップを精緻化し、ネットワークが関連する情報を集中して処理できるようにすることで、正確な判断を可能にする。実験では、広く用いられている深層残差ネットワーク（Deep Residual Network）とUnet型アーキテクチャを統合し、Residual Masking Networkを構築した。提案手法は、代表的なFER2013データセットおよび独自のVEMOデータセットにおいて、現在の最先端（SOTA）水準の精度を達成した。