EAC-Net：基于区域的深度增强和裁剪方法用于面部动作单元检测

Feb, 2017

EAC-Net：基于区域的深度增强和裁剪方法用于面部动作单元检测

EAC-Net: A Region-based Deep Enhancing and Cropping Approach for Facial Action Unit Detection

Wei Li, Farnaz Abtahi, Zhigang Zhu, Lijun Yin

TL;DR本研究提出了基于深度学习的面部动作单元检测方法，通过增强和裁剪感兴趣的区域实现，并将增强层和裁剪层添加到预训练的 CNN 模型中，以设计卷积层来学习每个面部区域的深层特征，其表现优于 BP4D 和 DISFA AU 数据集的现有方法。

Abstract

In this paper, we propose a deep learning based approach for facial action unit detection by enhancing and cropping the regions of interest. The approach is implemented by adding two novel nets (layers): the enhancing l

facial action unit detection deep learning enhancing layers cropping layers cnn model

发现论文，激发创造

由美学照片学习组合，实现图像剪裁的端到端神经网络

该论文提出了一种基于深度学习的图像裁剪方法，利用卷积神经网络和回归网络，仅需一个锚定区域即可直接输出最终结果，从而实现高精度和高效率。

Jul, 2019

区域适应、多标签学习和最优时序融合的动作部位检测

提出一种深度学习框架来解决面部分析中动作单元检测中不同面部区域的对齐问题、时间信息的有效融合问题、以及多标签模型的训练问题，该方法结合了 ROI 适应性、多标签学习和基于 LSTM 的时间融合，评估结果表明，相较于现有技术在 BP4D 和 DISFA 数据集上，该方法平均提高 13％和 25％的检测准确率，取得了显著的性能提升。

Apr, 2017

通过注意框预测和美学评估实现深度裁剪

本文提出了一种通过级联注意框回归和美感质量分类的深度学习建模来解决照片剪裁问题的方法。该神经网络使用由两个分支构成的结构，能够预测注意力包围框并分析美感特征，通过共享特征来提高计算效率。实验结果表明，该方法在照片剪裁方面取得了很高的效果，具有竞争性的结果和快速的处理速度（所有步骤运行速度为每秒 5 帧），即便是在有限的照片剪裁训练数据的情况下。

Oct, 2017

使用深度神经网络和级联回归进行自动图像裁剪以进行视觉美学增强

本文提出了一种基于级联裁剪回归（CCR）的图像裁剪方法，使用专业摄影师的知识来学习裁剪。利用大规模视觉美学数据集训练了一个深度卷积神经网络（CNN）分类器，再在几个图像裁剪数据集中提取特征，由 CCR 方法预测裁剪边界框，实验结果表明该方法显着优于几种最先进的图像裁剪方法。

Dec, 2017

J (A) A-Net: 适应性注意力联合检测面部动作单元与面部对齐

本文提出了一种用于联合面部动作单元检测和面部对齐的深度学习框架，通过学习多尺度共享特征，将面部对齐特征和全局特征与调整后的局部特征相结合，采用自适应注意力学习模块来调整 AU 的注意力图，实现了更好的 AU 检测表现，可适应不规则的 AU 区域，有望在面部识别领域有更广泛的应用。

Mar, 2020

LAA-Net：用于高质量 Deepfakes 检测的局部伪影注意力网络

介绍了一种名为局部化伪造关注网络（LAA-Net）的用于高质量深度伪造检测的新方法，该方法通过明确的关注机制以及简单有效的升级特征金字塔网络（E-FPN）来提高检测性能。

Jan, 2024

面部表情识别的多区域融合卷积神经网络

提出了一种基于 Multi-Region Ensemble CNN (MRE-CNN) 框架的面部表情识别方法，结合深度学习方法和 CNN，同时捕捉全局和局部特征确定面部表情，经过实验证明，取得了最新的识别精度。

Jul, 2018

深度自适应关注：面部动作单元检测和人脸对齐

本文提出了一种新颖的端到端深度学习框架以实现联合的面部动作单元检测和面部对齐任务，并通过在本地和全局特征中添加关注学习模块以提取精确的局部特征，在 BP4D 和 DISFA 基准测试上取得了显著的性能优势。

Mar, 2018

CUE-Net: 基于空间裁剪、增强统一器 V2 和改进的高效叠加注意力的暴力检测视频分析

本文提出了 CUE-Net，一种用于视频监控中自动化暴力检测的新型架构，并通过将空间裁剪与 UniformerV2 架构的增强版本相结合，集成了卷积和自注意机制以及一种新颖的修改的高效加性注意机制（减少了自注意力的二次时间复杂度），从而有效而高效地识别暴力活动。该方法旨在解决传统挑战，如捕捉视频帧中远距离或部分遮挡的对象。通过关注局部和全局的时空特征，CUE-Net 在 RWF-2000 和 RLVS 数据集上实现了最先进的性能，超越了现有的方法。

Apr, 2024

使用注意力和关系学习进行面部动作单元检测

本文提出了一种基于深度学习的端到端注意力关系学习框架，用于面部动作单元（AU）检测。通过自适应地学习通道和空间注意力以选择和提取与 AU 相关的局部特征，并进一步捕获 AU 的像素级关系以提炼更多相关的局部特征，该方法在 AU 检测和强度估计方面均优于目前最先进的方法，并能在严重的遮挡和大姿态下工作。

Aug, 2018