【魔改YOLO系列】YOLO与Mamba结合，实现面部表情检测与分类

主要观点总结

本文主要介绍了基于选择性状态空间的面部表情检测与分类的模型FER-YOLO-Mamba。该模型创新地整合了SSM驱动的架构、双分支结构设计、注意力机制与多层感知器的结合等关键技术，旨在解决传统面部表情识别方法在计算复杂性和长距离依赖关系处理上的不足。

关键观点总结

关键观点1: 模型创新点

提出FER-YOLO-Mamba模型，首次将SSM驱动的架构整合到面部表情检测和分类领域，带来新探索方向；设计双分支结构，整合卷积层与状态空间模型的优点，实现局部和全局信息融合；引入带多层感知器的注意力机制，提高模型区分能力和精度。

关键观点2: 模型架构

模型包括CSPDarknet、FPN和YOLO Head三部分。CSPDarknet负责特征提取，FPN进行多尺度特征融合，YOLO Head负责分类和定位。模型采用独特策略处理复杂背景，未采用传统预处理步骤，直接使用带背景的原始图像作为输入。

关键观点3: FER-YOLO-VSS模块介绍

作为核心模块，FER-YOLO-VSS实现局部和全局信息的互补融合。采用双分支结构，结合注意力机制与多层感知器，增强模型处理关键信息的能力。模块分为FER-YOLO-VSS1和FER-YOLO-VSS2两种变体，分别适用于不同场景。

关键观点4: 带多层感知器的注意力块（ABMLP）介绍

ABMLP模块通过空间注意力机制，选择性地突出关键信息区域，减弱无关或次要区域的影响。结合全局平均池化、MLP和逐元素乘法技术，增强模型在识别任务中的区分性能。

关键观点5: 实验结果与分析

该模型在基准数据集上的实验结果表明，相比其他模型，FER-YOLO-Mamba取得了更好的性能。同时，文章还提醒读者理解可能存在的内容和理解偏差，并强调了学习交流的重要性。