面向高效面孔认知的压缩激励计算模型
A squeeze-and-excitation computational model for efficient face cognition
-
作者：
包家瑜
1,2
赵振华
1,3,4
彭玉佳
5,6,7
应浩江
1
-
作者单位：
- 通讯作者：
应浩江
Email:hjying@suda.edu.cn
-
提交时间：2026-10-18 23:59:36
摘要: 人类面孔认知可能依赖于对高维视觉信息的压缩以及对诊断性特征的选择性增强。受灵长类面孔加工系统低维表征研究的启发，本研究在AlexNet中引入压缩激励（squeeze-and-excitation, SE）模块，考察压缩比、模块插入位置和预训练背景如何影响模型的面孔情绪判断及其与人类行为的对应程度。研究通过拟合心理物理函数获得主观相等点（PSE），并衡量模型反应曲线与人类平均反应曲线之间的差异。实验1比较了五种压缩比；实验2比较了SE模块在全连接层前序与后序位置的表现；实验3结合梯度加权类别激活映射（Grad-CAM）和局部遮挡，分析模型决策对不同面孔区域的敏感性。结果表明，在所考察的模型配置中，采用面孔预训练权重、压缩比为16并将SE模块插入FC7与FC8之间的模型，与人类行为表现出最小的总体差异。该优势取决于压缩比、插入位置和预训练背景的共同作用。Grad-CAM和遮挡结果进一步表明，模型决策对眼部、嘴部等面孔区域较为敏感。上述结果说明，在特定架构与训练条件下，SE特征重标定能够改善卷积神经网络输出与人类面孔情绪判断之间的对应程度，并为利用压缩表征研究面孔认知提供了一种可检验的计算建模方案。
版本历史
| [V1] |
2026-10-18 23:59:36 |
ChinaXiv:202610.00102V1
|
下载全文 |
相关信息
点击量
下载量
