Jul, 2017

跨数据库微表情识别的目标样本再生器学习

PDF
TL;DR本文提出了一种名为目标样本再生成（TSRG）的简单而有效的方法，用于解决跨数据库微表情识别问题，并在 SMIC 和 CASME II 数据库上对其进行了实验证明，相较于最新的最先进的跨数据库情感识别方法，TSRG 取得了更为优异的结果。
cross-database micro-expression recognitiontraining and testing samplestarget sample re-generatorfeature distributionssmic and casme ii databases
发现论文，激发创造
  • 基于 Transformer 的特征生成的多源领域适应用于基于脑电情感识别的主体独立性

    本研究提出了一种基于变压器特征生成器的多源域适应方法（MSDA-TF），该方法通过捕获浅层空间、时间和频谱 EEG 数据表示的卷积层，以及自注意机制提取这些特征中的全局依赖关系，以解决不同主体之间的变化对传统深度学习算法在自动情感识别中的性能产生的影响问题。实验证明，MSDA-TF 在 SEED 数据集上取得了有希望的结果。

    Jan, 2024

  • 自适应位移生成和 Transformer 融合的微表情特征表示学习

    本论文提出了基于特征表示学习的位移生成和 Transformer 融合（FRL-DGT）的新框架，用于微表情（ME）识别，实现了对 ME 特征提取和融合的有效学习，相比现有的方法，有了更好的准确度。

    Apr, 2023

  • 基于 Transformer 的多尺度多模态微表情识别算法

    本文提出了一种基于 Transformer 网络的多模态多尺度算法，通过微表情的运动和纹理两种特征完全学习微表情的局部多粒度特征，实现了不同尺度脸部局部区域特征的提取并在三个自然数据集上进行了综合实验。结果表明，该算法在单个测量 SMIC 数据库中的准确度高达 78.73％，在合并数据库的 CASMEII 上的 F1 值高达 0.9071，处于领先水平。

    Jan, 2023

  • 基于属性信息嵌入和跨模态对比学习的微表情识别

    通过属性信息嵌入和跨模态对比学习，基于微表情序列的 RGB 和 FLOW 特征提取和 BERT 网络提取文本信息，实现面部微表情识别，并在 CASME II 和 MMEW 数据库上进行了广泛实验，准确率分别为 77.82% 和 71.04%。与其他方法相比，该方法具有更好的微表情识别效果。

    May, 2022

  • 用于识别自发微表情的时空循环卷积神经网络

    本研究提出了一种利用深度循环卷积神经网络进行微表情识别的方法，该方法能够捕捉微表情序列的时空变化，相对于现有的其他方法，该方法表现更为优异。

    Jan, 2019

  • 特征精化：用于微表情识别的表情特征学习和融合方法

    本文提出了一种新颖的特征细化方法（FR），该方法包括表情提议模块和基于光流的启示模块，可以提取特定表达式的突出和有区别的特征，并通过表情特定特征的融合来预测表情，实验证实了其在不同协议下的有效性。

    Jan, 2021

  • 宏观到微观：通过在宏观表情视频上进行预训练来提升微表情识别

    微表情识别是近年来备受关注的研究领域，在智能医学和骗术检测等方面具有潜在应用。然而，缺乏标注数据一直以来都是加强基于深度学习的微表情识别方法的主要障碍之一。本文提出了一种广义的转移学习范式，称为宏观表情到微表情（MA2MI）。在该范式下，网络可以通过重建未来帧来学习表示微妙的面部运动。此外，本文还提出了一种两支路微动作网络（MIACNet），用于解耦面部位置特征和面部动作特征，帮助网络更准确地定位面部动作位置。在三个常用的微表情识别基准上进行的大量实验证明了我们方法的优越性。

    May, 2024

  • ICE-GAN: 基于图推理的身份感知和胶囊增强型 GAN 用于微表情识别与合成

    本文提出了一种基于生成对抗网络的方法 (ICE-GAN)，加入微表情合成作为辅助任务以辅助微表情的自动识别，并在微表情相关挑战赛中获得了比冠军高出 12.9% 的成绩。

    May, 2020

  • 采用聚合语料库和深度多任务学习实现野外情感识别语音

    使用多任务学习以及在深度神经网络中使用性别和自然度等辅助任务来改善情感模型的泛化能力，并在理论模拟和实际数据中比较了单任务学习方法，结果表明多任务学习方法显著提高了情感识别性能，尤其是使用性别和自然度都提高了性能。

    Aug, 2017

  • 将对比学习融入多任务 Transformer 模型以实现有效的领域自适应

    提出一种新颖的领域适应技术，采用 SER 作为主任务、对比学习和信息最大化损失作为辅助任务的多任务框架，借助在大型语言模型上进行微调的 transformer 实现跨语料库情感识别的最新性能。

    Oct, 2023