面部表情识别的印度自发表情数据库
该研究利用特征差异对长视频中自发微表情进行识别,并提出了自动微表情分析系统,该方法超出了人类在微表情识别任务上的表现且能胜任较具挑战性的任务。
Nov, 2015
本文综述了关于自动RGB,3D,热成像和多模式面部表情分析的研究,定义了新的分类法并描述和分类了最先进的方法,同时呈现了重要数据集和基准测试。作者对当前的趋势、重要问题和未来研究方向进行了总结讨论。
Jun, 2016
该研究收集并准备公开发布了一个名为AffectNet的数据库,包含100多万张网络图片,其中大约半数手动注释了7种离散面部表情和不同情绪模型的愉悦和唤起度强度,并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。
Aug, 2017
本论文针对情感分析的各个领域进行了研究,提出了基于神经网络的多任务学习方法,该方法有效地应用于Aff-Wild情感数据库的新注释部分并实现了良好的性能。
Nov, 2018
这篇文章介绍了Aff-Wild2这一大型野外数据库,以进行情感识别,通过CNN和CNN-RNN架构的视觉和音频模型,实现了情感识别任务的最先进性能,并使用ArcFace损失函数训练各种新的网络,并取得较与现有技术相比,更好的效果
Sep, 2019
本文介绍了利用深度学习方法对情感进行分析与识别的相关研究,以及在真实情境下(in-the-wild)数据上进行大规模情感分析所需深度神经网络的架构设计,并提出了一种基于多任务学习和整体框架的方法,通过改进现有的情感识别技术来提高情感识别效果。
Mar, 2021
本文提出了一种基于单个预训练AffectNet的EfficientNet模型提取面部特征的新颖的帧级情感识别算法,可以实现移动设备上的实时视频人脸情感分析,在第三届野外情感行为分析(ABAW)竞赛的大规模Aff-Wild2数据集上,与VggFace基线相比,我们的简单模型在单任务表情分类、趋势-觉醒估计和表情分类的验证集中的性能指标高0.15-0.2,由于简单性,我们的方法可以被视为四个子挑战的新基准。
Mar, 2022
提出一种大规模多模态复合情感数据库MAFW,其包含了10045个野外视频音频剪辑,每个剪辑均带有复合情感标注以及描述受试者情感行为的几个句子。另外,还提出了一种基于Transformer的表情片段特征学习方法,以识别不同情感与模态之间的表情变化关系,其在MAFW数据库上表现优于其他现有方法。
Aug, 2022
本研究提供了InFER数据集,该数据集是一个真实世界的多种族印度面部表情识别数据集,包含了10,200张图片和4,200个短视频,共计七种基本面部表情。该数据集包含了来自印度次大陆非常多元化族裔的600位受试者的姿态表情以及从互联网上众包得到的6000张自发/做作的表情。通过对数据集上基准和深度FER方法的实验结果,证实了该数据集在实际应用中的可用性。
Sep, 2023
本文选择2015年至2023年间发表的论文,系统总结了关于视频情感识别的现有研究趋势,讨论了典型情感模型、常用数据库以及现代单模态和多模态视频情感识别方法的结构和性能,并比较了它们的优缺点。此外,总结了目前视频情感识别项目所面临的主要困难,并指出了未来发展方向,如建立开放基准数据库和改进多模态融合策略。本文旨在帮助学术界和工业界的科学家及时了解视频情感识别领域的最新进展和新发展。
Oct, 2023