weixin_46831727的博客

这篇论文提出了一种基于大规模预训练和身份对抗训练的面部动作单元检测方法。这种方法不仅提高了模型的准确性，还增强了模型的泛化能力。未来的研究方向包括进一步优化模型，探索使用更多的身体特征（如全身姿态）来进行表情识别，以及引入对抗训练和半监督学习来进一步提升模型性能。

本文介绍了一种新颖的网络架构——双向注意混合特征网络 (DDAMFN)，它在多个FER基准数据集上的表现优异，并展示了其在处理复杂面部表情识别任务中的强大能力。Stride=1：当 stride=1 时，卷积核在输入特征图上滑动时，每次移动一个像素，这意味着输出特征图的空间尺寸（高度和宽度）与输入特征图相同。残差连接：最终，将输入特征图与经过两次卷积后的特征图逐元素相加，形成输出特征图。：使用混淆矩阵分析了模型在不同表情类别上的表现，发现了模型在处理一些易混淆表情（如“厌恶”和“愤怒”）时的困难。