多尺度融合注意力机制的人脸表情识别网络--2022.罗思诗_多尺度注意力机制

本文为了解决CNN难以提取有效特征、网络模型参数复杂等问题，提出了一种多尺度融合注意力机制网络MIANet。首先引入Inception结构来图区多尺度特征信息，使用ECA注意力模块加强特征表征能力，使用深度可分离卷积减少网络参数。最终在FER2013和CK+上分别取得72.28%和95.76%的准确率。

1、引言

先分别介绍了ECA注意力模块，深度可分离卷积和Inception结构。这些都是老生常谈的东西，就不详细展开。

2、网络结构

结构也比较简单，但是上面提到的三个模块的位置，我认为是这样的：

• 1、Inception模块位于中间。因为在网络浅层特征还太具体（需要再表征一下），而网络深层又太抽象（已经得到很好的表征，再加Inception的多尺度实际上没有多大意义了，信息的表示已经饱和了）。
• 2、ECA模块。这是通道注意力模块，而网络后期通道很多，能够充分得到应用。（自己在其他实验也发现ECA在尾部的效果更好）
• 3、深度可分离卷积在偏后期。对于普通卷积来讲，因为后期通道多，所以卷积核的深度也高，参数量也大。比如同样ksize=3的卷积，前期输入输出通道=16需要卷积核参数量=331616，而后期输入输出通道=512需要卷积核参数量=33512512，所以对于同大小卷积，通道数越多参数量越大。所以后期的卷积操作参数量很大，对其参数量进行优化会更有效果。
  

3、实验

3.1 在数据集上的表现

从上图可以看出，MIANet在Fer2013上的效果比CK+上的效果更出众，主要原因是CK+是非常理想的数据集，任意一个普通的网络都能得到较好的效果。但是FER2013是一个困难的大型数据集，MIANet中的Inception多尺度特征提取，在这样的复杂场景下就能获得很好的效果。同时ECA的加入能够在复杂场景下推动网络学习重点特征，保证了特征提取的效果。

3.2 不同注意力模块的效果

（猜测CBAM的空间注意力作用不是很大，因为CK+数据集背景很干净，且就是人脸区域，所以想要更好的空间注意力，应当考虑在人脸中更加关注重点区域的更细致的空间注意力）

3.3 消融实验

异常现象：

• 1、深度可分离卷积。因为FER2013是一个大型困难数据集，深度可分离卷积的加入相当于降低了网络容量，可能造成欠拟合现象。而CK+就几百张图片，所以其实有可能反而缓解过拟合（或者降低网络容量无影响）。

其余base+module都有提升。

4、总结

本文使用深度可分离卷积、ECA注意力模块和Inception结构来解决有效特征提取和参数量过大的问题。

值得学习的是三种模块在CNN中的插入位置的思考。

5、警告⚠

作者在论文中说的，选出981张图像，那么极有可能是采样同一个序列中最后三张图片

可以看出，最后三张都是很相似的，这3张相似图片就可以很可能分别（如果是随机划分）进入train和test子集，那么很显然，这三张图可以有轻微差别可以看作一张图的数据增强，但是一张图分别存在train和test中，造成数据泄露。

简而言之，三张相似的图即在训练集中训练，又在测试集中测试，这肯定是不对的，实际上我按照981张图片做了实验，最后的精度是100%，虽然当测试集很小时是可能出现100%的，但是在这里100%肯定有以上原因存在。

当然可能作者做了特殊处理，比如让相似的三张图片要么同时存在train中，或者同时存在test中，具体就不可得知了