面部表情识别的深层生成对比网络
该文介绍了针对面部表情识别问题,提出了一种基于注意力卷积网络的深度学习方法,并采用可视化技术确定了识别不同情绪对应的重要面部区域,相比先前的模型在多个数据集上都取得了明显的改进。
Feb, 2019
我们提出了一个统一的深度网络来学习生成 - 判别式表示,以便于识别遮挡脸部。我们的方法在合成的遮挡脸部上进行了模块化的预训练,并利用生成编码器和判别改良者来提供鲁棒、判别的表示。通过实验验证了我们方法在识别遮挡脸部上的有效性。
May, 2024
本文提出一种几何引导生成对抗网络 (G2-GAN),通过面部几何条件(标识点)来引导特定表情的面部纹理合成,实现逼真的与身份保护面部表情合成,并取得了良好的实验效果。
Dec, 2017
本研究提出一种几何对比生成对抗网络 (GC-GAN),其通过将连续的情感跨越不同个体,将具有特定情感的原始面孔转化为带有目标面部表情的面部表情迁移技术。
Feb, 2018
本篇研究提出了在视频中进行情感识别的 3D 卷积神经网络方法,使用 3D Inception-ResNet 层及 LSTM 单元,从面部图像中提取空间关系和不同帧之间的时间关系,并利用面部关键点作为输入,该方法在四个公开数据库上的表现超过了现有最先进技术。
May, 2017
提供了一种细致的人脸操作方法,利用三维人脸模型和分离出质地和形状的方法进行纹理和形状不同表情的构建,进而通过生成网络和全连接网络实现表情的合成和准确形状的预测,获得了优越的结果,并被 85% 的用户优先选择,并且在 53% 的情况下,注释员无法可靠地区分合成的图像和真实图像的差别。
Feb, 2019
本研究提出了一种名为 FaceNet2ExpNet 的新思想,通过静态图片训练表情识别网络,先预训练表情网络的卷积层,再添加全连接层联合训练,通过可视化结果表明该模型能够捕捉到更高层次的表情语义,实验证明该方法优于现有技术在四个公共数据库上的识别结果表现。
Sep, 2016
本文介绍了一种使用深度学习技术自动提取面部表情识别所需信息特征的方法,通过两个不同的深度学习模型使得我们在 CK + 和 Oulu-CASIA 数据库上,获得了优于其他现有方法的性能表现。
Mar, 2015
我们开发了一个卷积神经网络来识别人类面部表情。我们将已有的卷积神经网络模型 fine-tune 到 CFEE 和 RaFD 数据集,测试准确率分别为 74.79% 和 95.71%。通过在一个数据集上训练模型,在另一个数据集上测试可以牵扯到泛化的结果,最广泛的实验中测试集的 top-1 准确率为 65.39%。
Aug, 2017
生成对抗网络生成的图像以及假排练方法能够增强卷积神经网络在情绪识别中的性能,保留之前学习到的知识,同时提高对目标数据集和源数据集的训练。
Apr, 2024