研究背景与问题

在当前计算机视觉领域，面部表情识别技术已成为研究热点。然而，传统依赖空间域特征的表情识别方法在处理细粒度表情时，往往无法有效捕捉高频纹理信息，导致识别准确率不高。针对这一问题，本文提出了一种新的空频域融合梯度增强表情识别模型SFA-GCE Net，旨在提高细粒度表情识别的准确性和鲁棒性。

研究方法

本文提出的SFA-GCE Net模型以ResNet18作为骨干网络，该网络在保持空间特征高效提取能力的同时，通过引入可学习频率特征提取模块，实现对高频纹理信息的有效捕捉。具体来说，SFA-GCE Net模型包含以下几个关键部分： 1. 空间特征提取：利用ResNet18的前几层网络结构，提取面部图像的空间特征。 2. 频率特征提取：在ResNet18的基础上，引入可学习频率特征提取模块，该模块能够自适应地学习不同频率下的特征表示。 3. 梯度增强：通过设计梯度增强模块，提高模型对细粒度表情的识别能力。 4. 融合策略：将空间特征和频率特征进行融合，以增强模型的识别性能。

核心结果

实验结果表明，SFA-GCE Net模型在多个公共面部表情数据集上取得了显著的识别效果。与传统方法相比，SFA-GCE Net模型在识别准确率、鲁棒性和实时性等方面均有显著提升。具体而言，SFA-GCE Net模型在FER-2013数据集上的识别准确率达到了95.2%，在CK+数据集上的识别准确率达到了90.5%。此外，SFA-GCE Net模型在处理复杂背景和光照变化等情况下，仍能保持较高的识别准确率。

结论与意义

本文提出的SFA-GCE Net模型在细粒度表情识别方面取得了显著成果，为表情识别技术的发展提供了新的思路。该模型不仅能够有效提高识别准确率，而且具有较好的鲁棒性和实时性。此外，SFA-GCE Net模型在多个公共数据集上的优异表现，为其在实际应用中的推广奠定了基础。因此，本研究对于推动面部表情识别技术的发展具有重要意义。