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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于多层级和多尺度注意机制的面部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：CN116884072B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310896839.7，技术领域涉及：G06V40/16；该发明授权一种基于多层级和多尺度注意机制的面部表情识别方法是由殷昱煜;朱晋林;张新;周丽;李尤慧子设计研发完成，并于2023-07-21向国家知识产权局提交的专利申请。

本一种基于多层级和多尺度注意机制的面部表情识别方法在说明书摘要公布了：本发明公开了一种基于多层级和多尺度注意机制的面部表情识别方法，该方法首先将四个公共数据集拆分成为训练集、测试集和验证集。其次构建包含特征预提取模块、多层级注意模块和多尺度注意模块的面部表情识别模型，并对模型输入的数据集的图像进行人脸检测和对齐，以及随机图像增强。然后将处理好的训练集图像输入到构建好的面部表情识别模型中，利用交叉熵损失和限制中心损失对模型进行训练和优化。最后对测试集和验证集中的图像进行推理，得到相应的分类结果，识别表情。本发明增加了模型所提取特征的鲁棒性，提高模型输出特征的表达能力，进行准确的面部表情识别。

本发明授权一种基于多层级和多尺度注意机制的面部表情识别方法在权利要求书中公布了：1.一种基于多层级和多尺度注意机制的面部表情识别方法，其特征在于，包括如下步骤： 步骤1：将若干个公共数据集拆分成为训练集、测试集和验证集； 步骤2：构建包含特征预提取模块、多层级注意模块和多尺度注意模块的面部表情识别模型； 步骤3：对模型输入的训练集、测试集和验证集的图像进行人脸检测和对齐，并将其裁剪为固定的大小； 对模型输入的训练集随机抽取10％的图像进行图像增强； 步骤4：将经过步骤3处理好的训练集图像，输入到构建的面部表情识别模型中，利用交叉熵损失和限制中心损失对模型中的参数进行训练和优化，直至训练到面部表情识别模型的准确度不再提升为止，具体过程如下： 步骤4.1：将步骤3处理好的图像输入到特征预提取模块中，其中特征预提取模块包含n个基本块，将特征预提取模块中每个基本块的输出特征图Xi作为特征预提取模块每个阶段输出的特征； 步骤4.2：通过多层级注意模块中的权重分配模块对前n-1个基本块输出的特征图，根据重要性的不同分配不同的权重αi； 步骤4.3：通过将多维特征图展开成一维度的打平操作以及全连接层将前n-1个基本块输出的特征图Xi映射到同一尺寸维度上得到特征图Zi； 步骤4.4：将得到的αi与对应的Zi相乘后相加，得到多层级注意模块最终的输出Yout1； 步骤4.5：采用由平均池化层、全连接层、Sigmoid激活层和ReLu激活层顺序连接构成的SEBlock，对特征预提取模块第n个基本块的输出Xn进行通道维度上的加权，得到特征图S； 步骤4.6：利用多尺度注意模块中的多尺度融合模块对特征图S进行多尺度融合，得到特征图D； 步骤4.7：通过打平操作以及全连接层将特征图D映射到与Yout1同一尺寸维度上得到多尺度注意模块最终的输出Yout2； 步骤4.8：将Yout1和Yout2相加得到最终的特征输出Y，其计算公式为： Y＝β1Yout1+β2Yout2， 其中，β1和β2为超参数； 步骤4.9：构建损失函数，计算损失，对面部表情识别模型进行优化，所述计算损失的损失函数具体如下： 1交叉熵损失Lce，其计算公式为： 其中m代表每一个小批次中的样本个数，k代表类别的个数，代表第h个样本对应的第g个类别的标签，代表第h个样本对应输出的第g个类别的预测分数； 2限制中心损失Llc，其计算公式为： 其中，Yh代表第h个样本对应输出各类别的预测分数，ch代表第h个样本对应类别的中心向量，表示L2范数的平方，cg代表第g个类别对应的中心向量，γ1、γ2、ω1、ω2为超参数，γ1和γ2调节Llc的大小，ω1约束限制类内距离，ω2约束限制类间距离，δ表示一个极小值； 3将交叉熵损失Lce和限制中心损失Llc相加，得到总的损失Ltotal； 步骤5：将经过步骤3处理好的训练集和测试集图像输入到面部表情识别模型模型中，得到相应的分类结果，识别表情。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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”。

以上内容由龙图腾AI智能生成。