Feb, 2018

ExpNet: 无需标记的深度 3D 面部表情识别

PDF
TL;DR本研究提出一种基于深度学习的新方法用于估计 3D 面部表情系数，该方法不依赖于人脸关键点检测的代理步骤，而是直接对面部图像强度进行处理，采用适应训练数据噪声的独特方法进行网络训练，通过基准测试表明所提出的方法能更准确地区分面部情感表达。
deep learningfacial expression3d facial expression coefficientscnnlandmark-free approach
发现论文，激发创造
  • FaceNet2ExpNet：针对表情识别规范化的深度人脸识别网络

    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

  • 基于增强式深度 3D 卷积神经网络的人脸表情识别

    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

  • 基于面部标志和神经网络的实时面部表情识别

    本研究提出了一种基于静态图片实现的轻量级算法，用于实时进行人脸表情识别、情绪分类和特征提取。 Multi-Layer Perceptron (MLP) 神经网络是基于前面的算法进行训练的，提取几何和纹理特征，生成特征向量，用于训练三层 MLP，其测试准确度达到 96%。

    Jan, 2022

  • 真实情绪映射：实时新闻中面部表情基准测试

    使用从逼真的新闻视频中提取的面部地标的情感识别的一种新方法，采用图神经网络分析面部地标的几何和空间关系，提高情感识别的理解和准确性。该方法通过构建基准数据集展示了其可行性和潜力，为情感识别技术的未来研究指明了新的方向。

    Apr, 2024

  • 面部标志识别的情感识别

    该研究提出了一种基于面部标志的情感识别分类损失函数修改方法，将一种新方法 EmotionalDAN 应用于情感识别上，并在两个挑战性基准数据集上实现了比最先进的情感分类方法高达 5% 的准确度。

    Apr, 2018

  • 重新审视面部关键点检测：使用深度神经网络的高效方法

    本研究旨在评估迁移学习模型，包括 MobileNetV2 和 NasNetMobile，以及自定义 CNN 体系结构，在模型大小、参数和推理时间方面开发高效的深度学习模型，并研究数据增强和微调对这些模型的影响。MobileNetV2 体系结构产生了最低的 RMSE 和推理时间，而以人工优化的 CNN 体系结构与 Auto Keras 调整的体系结构表现类似。

    May, 2022

  • 使用脸部标记信息增强的卷积神经网络从面部图像预测个人特征

    本文提出了使用深度卷积神经网络结合面部标志信息来估计面部属性的新方法，并在新的面部属性数据集上进行了实证分析，结果显示该方法相对于基线方法在多个面部属性上均有显著提升。

    May, 2016

  • Pix2face: 3D 人脸模型直接估算

    这篇论文介绍了一种高效、全自动的方法，可以在自由 2D 图像中进行 3D 人脸形状和姿态估计，并使用基于改进的 U-Net 神经网络架构的单一传递联合估计稠密的 3D 关键点和面部几何，此外，还提出一种直接估计 3D 可塑模型（3DMM）参数的方法，通过估计的 3D 关键点和几何形状作为线性系统的约束，为非约束性视频序列中的预测 3D 面部关键点进行了定性建模结果和定量评估。

    Aug, 2017

  • 基于位置地图数据的轻量级 3D 密集人脸关键点估计模型

    通过未标定的 2D 图像在无监督的方式下重建 3D 面部，并针对稠密地标进行预测，该方法在模型大小和计算成本上优于现有方法，并在各种头部姿势和面部变化中展现了高效性。

    Aug, 2023

  • LA-Net: 面部表情识别中基于地标的可靠学习

    提出一种名为 Landmark-Aware Net（LA-Net）的新型面部表情识别模型，利用面部标记从两个角度降低标签噪声的影响，通过邻域聚合构建每个样本的标签分布，并使用表情 - 标记对比损失将标记信息融入表情表示中，以提高培训监督质量，并在野外数据集和合成噪声数据集上展示了最先进的性能。

    Jul, 2023