本文探讨了一种用于野外观察能力面部表情识别的方法，利用深度注意中心损失提升模型性能。通过CNN获取特征图，进一步处理以计算表情概率分布。文章重点解析了中心损失的概念，旨在减小深层特征与对应类中心的距离。此外，引入了稀疏中心损失，通过对特征向量元素加权，强调区分表情相关特征的重要性。最终，该方法通过多头二分类网络生成稀疏中心损失，优化常规中心损失，实现更精准的表情识别。
这篇文章的重点在 “ 深度注意中心损失 ” 。
下面简要描述一下网络中下面分支的pipeline：
为输入的图像，经过CNN处理后，得到特征图
。下面的分支进行如下处理：pooling layer处理
后得到
，
是一个一维的特征向量，再将
经过一个全连接层计算后得到表情的概率分布，最后计算分类softmax loss，也就是
。
难点在于上面分支的理解，也就是sparse center loss如何计算。在介绍上面分支的pipeline之前，需要介绍一下什么叫中心损失。
中心损失的目标是：最小化 “ 深层特征 ” 与其 “ 对应的类中心” 之间的距离。举个例子，有一批batch size为m的样本，其中
最低0.47元/天 解锁文章
4164
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
