NIPSJul, 2017

面部动作单位识别的渐进增强卷积神经网络

PDF
TL;DR本研究提出了一种新颖的增量增强 CNN（IB-CNN），使其通过增量增强层将增强集成到 CNN 中，并选择下层的识别性神经元，在连续的小批量中进行增量更新。此外，还提出了一种新的损失函数，考虑了来自增量增强分类器和单个弱分类器的误差，以微调 IB-CNN，实验结果表明，IB-CNN 优于传统 CNN 和增强 CNN，并且在 AU 识别方面胜过 CNN-based 方法的最新技术。
facial action unitscnnincremental boostingdiscriminative neuronsau recognition
发现论文，激发创造
  • 面部动作单元识别的深层结构推理网络

    本文提出了一种基于深度神经网络的面部表情识别算法，通过学习局部和全局特征，以及类似于图推理方法的消息传递算法，显著提高了在 BP4D 和 DISFA 数据集上的表现。

    Mar, 2018

  • 多标签面部动作单元检测的时空线索建模

    提出了一种基于混合网络体系结构的面部动作单元检测方法，可同时处理面部表情解码中的三个问题：空间表示，时间建模和 AU 相关性。

    Aug, 2016

  • 深度神经网络在表情识别中是否学习到面部动作单元？

    在面部表情数据上使用零偏差卷积神经网络，作者在扩展的 Cohn-Kanade 和多伦多人脸数据集上取得了领先水平的性能，并使用空间模式可视化的方法解释了这些卷积神经网络是如何进行表情识别并关联面部动作元素的。

    Oct, 2015

  • 学习对比特征表示用于面部动作单元检测

    通过引入一种增强的对比学习框架并结合监督和自监督信号，以获取具有区分性的特征，本研究通过样本采样、重加权策略以及损失函数 AUNCE 等方法，针对面部运动单元（AU）检测中困扰的像素级学习问题、标签噪音和 AU 类型不平衡等挑战，取得了优于最先进方法的优秀性能。

    Feb, 2024

  • 面部动作单元强度估计的深度结构化学习

    本文提出一种基于条件随机场的 Copula CNN 深度学习方法，用于模型化面部表情中的多变量有序变量的结构，并从中提取出复杂的特征表达。通过在新引进的均衡批量迭代训练算法和深度 CNN 特征编码层中联合优化这些 CLIQUES，显著提高了面部表情分析性能。

    Apr, 2017

  • 卷积神经网络面部动作单位识别中的滤波器尺寸优化

    本文提出了一种基于优化卷积核尺寸的 CNN 模型，在训练过程中通过连续变量优化卷积核尺寸，避免了传统方法中昂贵的训练成本，并在 AU-coded spontaneous databases 实验中证明其能够同时适应不同分辨率下的图像，相对于传统 CNN 模型和基于多尺寸卷积核的 CNN 模型，具有更好的性能和效率。

    Jul, 2017

  • 利用先前的面部动作单元知识进行面部情感识别

    我们提出了一种使用面部动作单元（AUs）识别技术来识别情绪的方法，该识别方法基于面部动作编码系统（FACS）并通过机器学习系统计算，以扩展情绪识别技术的能力。

    Nov, 2023

  • 面部动作单元检测深度模型的快速有效适应

    本文介绍了一个基于深度学习和元学习的人脸动作单元检测方法，可以在处理新的任务（新的单元或主体）时快速地适应，并在 BP4D 和 DISFA 数据集上通过测试，证明使用少量标记样本即可实现模型的适应。

    Sep, 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

  • 面部动作单元识别的因果干预去除主体混淆

    本文提出了一种因果推理框架，用于主体不变的面部动作单元（AU）识别，通过结构因果模型表达面部图像、主体、潜在 AU 语义关系和估计的 AU 出现概率之间的因果关系，采用插件因果干预模块（CIS）插入因果图，以消除干扰因素 Subject，实验结果表明 CISNet 可以达到最先进的性能水平。

    Apr, 2022