买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种多粒度感知与标签分布学习的人脸表情识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118898864B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410928567.9，技术领域涉及：G06V40/16；该发明授权一种多粒度感知与标签分布学习的人脸表情识别方法是由周丽芳;王浩宇;李伟生设计研发完成，并于2024-07-11向国家知识产权局提交的专利申请。

本一种多粒度感知与标签分布学习的人脸表情识别方法在说明书摘要公布了：本发明请求保护一种多粒度感知与标签分布学习的人脸表情识别方法GPLDL，旨在设计针对实际场景下表情的不确定性问题的人脸表情识别模型，属于模式识别领域。所述方法包括以下步骤：首先，设计一种多粒度层次感知融合模块，有效结合了低层次的细节特征和高层次的语义信息，增强了模型在区分细微表情差异方面的能力。其次，通过渐进式训练，从表情图像的不同粒度水平中学习多粒度特征，并尽可能的保持了面部特征的结构完整性。此外，我们还设计了一个全局感知注意力模块，用于捕捉面部的全局上下文信息。最后，设计了一个标签分布学习模块，以构建更全面的情感分布，有效缓解了模糊表情对模型学习的消极影响。并引入了标签分布损失，进一步提高表情识别准确性。

本发明授权一种多粒度感知与标签分布学习的人脸表情识别方法在权利要求书中公布了：1.一种多粒度感知与标签分布学习的人脸表情识别方法，其特征在于，包括以下步骤： 步骤1、将每一张图像输入网络进行特征提取前，将其分割为3种不同粒度级别的图像，并将图像块进行随机打乱处理； 步骤2、将数据增强后的三张不同粒度表情图像输入到基础网络的后三层中，遵循粗粒度输入至深层网络提取粗粒度表情特征，细粒度输入至浅层网络提取细粒度表情特征，同时将粗粒度表情特征输入至全局感知注意力模块GPAM提取全局表情特征； 步骤3、对不同粒度阶段所提取的多粒度特征采用渐进式训练方法，先将细粒度图像输入至低层网络通过分类损失进行训练，再逐步将更大粒度图像输入至基础网络的下一阶段，直至最深层网络；整个过程训练三次，最后将渐进式训练得到的不同粒度特征进行拼接得到多粒度局部特征； 步骤4、将融合后的多粒度局部表情特征与全局感知表情特征进行融合，最终经过一个全连接层以及归一化处理得到最终的预测分布；将此前渐进式训练得到的不同粒度特征分别计算与多粒度融合特征的粒度相似度，以此构建标签分布；最后将构建的标签分布作为监督信号，设计一种分布损失，训练整体网络；并将网络的所有输出预测整合，作为最终预测，进行表情分类； 所述步骤2具体包括： B1、得到3种粒度级别的增强图像，并将图像分别作为主干网络最后三阶段的输入；将主干网络特征提取器表示为F，其中包含L个阶段；特征提取器F输出的中间特征图表示为其中l∈[1,L]，Hl,Wl,Cl分别表示l阶段输出特征图的高度、宽度和通道数； B2、将Fl输入到卷积块Bl中得到特征表示： 其中B·包含一个1x1和3x3卷积层；然后，将上述特征经过池化操作，得到特征向量表示为vl； B3、最后，引入全局感知注意力模块，增强最终的多粒度融合特征；使用双分支注意力结构，分别为通道注意力分支和空间注意力分支；特征提取器F在StageL之后输出的特征向量表示为VL；首先，将VL分别在两个并行分支计算得到通道注意力map表示为空间注意力map表示为 其中通道注意力由全局平均池化和两个全连接层组成；空间注意力由2个1×1的深度可分离卷积和2个3×3的空洞卷积组成，整个全局感知注意力的计算过程如下所示: MVl＝σMcVl+MsVl4 其中σ是sigmoid函数；最后，全局特征图可以计算为： GAP表示全局平均池化，作用是将特征图所有像素值相加求平局，得到一个数值，即用该数值表示对应特征图。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。