基于迁移学习的野外微笑检测
本文描述了我们在第五届 Emotion Recognition in the Wild(EmotiW 2017)小组级情感识别子挑战赛中使用的算法方法,其中我们使用了卷积神经网络来提取检测到的脸部的特征向量,而不是传统的预训练情感识别问题。最终,我们的管道中学习了一个随机森林集成分类器来预测情感分数,该集成分类器在实验研究中显示出与其他探索技术相比最低的错误率。
Sep, 2017
通过使用数据增强技术和生成对抗网络模型,将初步训练的卷积神经网络与不同架构的预训练模型的方法应用于面部表情识别任务,使得模型的泛化能力得到提高,从而实现对面部表情的自动识别,准确率达到 85%。
Feb, 2024
本研究提出了一种基于深度学习和面部视频数据的情感检测方法,使用 Convolutional Neural Network 训练一个能够估计三维表情模型参数的模型,并结合情感分类器,能够高效准确地从动态图像中识别面部表情,且在基本情感和压力情感的识别任务中超过了其他方法。
May, 2020
本文提出一种深层级联多任务框架,通过三层深度卷积神经网络的分级设计,在对人脸和人脸特征区域进行预测的粗到细的过程中,利用其中的内在相关性以提高人脸检测和特征点定位的性能,在学习过程中还采用一种新型的在线困难样本挖掘方法,能够自动提高性能而无需手动样本选择。
Jan, 2022
本研究探讨轻量级卷积神经网络的多任务学习,用于识别人脸和分类面部属性(年龄,性别,种族),并在没有距离边缘的剪裁人脸上进行训练,需要微调这些网络以预测面部表情;使用 MobileNet、EfficientNet 和 RexNet 架构提出了几种模型,并在 UTKFace 数据集上证明了它们接近最新的年龄、性别和种族识别结果,在 AffectNet 数据集的情感分类上也表现出色;此外,展示了将已训练的模型用作视频帧中面部区域的特征提取器,其识别精度比以前已知的情感分类挑战的单一模型高 4.5%。
Mar, 2021
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
基于迁移学习和 Inception v3 架构的口罩识别系统,可以在拥挤的场所监测口罩的佩戴情况,并能准确分类口罩的正确和错误使用,实验结果表明其高准确率和效率(训练数据达到 99.47%,测试数据达到 99.33%)
Oct, 2023
本论文通过引入 Swin transformer,提出一种融合视觉、时间和音频模态的多模态方法用于自然环境下的面部表情识别,并在 Aff-Wild2 数据集上进行了实验证明其有效性。
Mar, 2022