PAtt-Lite：基于轻量级块与注意力 MobileNet 的困难条件下人脸识别

面部表情识别（FER）是一个涉及识别人类面部表情的机器学习问题。尽管现有工作近年来取得了性能提升，但在自然场景及困难条件下的 FER 仍具挑战性。本文提出一种基于 MobileNetV1 的轻量级块与注意力网络，称为 PAtt-Lite，以提升困难条件下的 FER 性能。该方法采用在 ImageNet 上预训练并截断的 MobileNetV1 作为骨干特征提取器。在截断层的位置，提出了一个块提取模块，用于提取显著的局部面部特征，以增强来自 MobileNetV1 的表征，尤其在困难条件下。还提出了一种注意力分类器，以改进对这些来自极轻量特征提取器的块特征图的学习。在公开基准数据库上的实验结果证明了所提方法的有效性。PAtt-Lite 在 CK+、RAF-DB、FER2013、FERPlus 以及 RAF-DB 和 FERPlus 的困难条件子集上取得了最先进（state-of-the-art）结果。