深度面部表情识别研究综述
基于大规模 FER 数据集的广泛实验和实践交叉验证,本文对多种网络架构进行排名,并给出了在真实情景中应用深度 FER 方法的一些推荐。此外,还讨论了实际 FER 应用中的潜在道德规范,隐私问题和法规。
Nov, 2023
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
本文提出了 Continual Facial Expression Recognition(ConFER)基准测试,评估了不同的 Continual Learning(CL)方法在面部表情识别任务中的性能,表明 CL 技术在不同的学习设置下能够实现多个数据集上的最先进的性能,因此促进了关于将 CL 原则应用于人类面部表情的行为理解中的益处和挑战的讨论。
May, 2023
创新的 DrFER 方法在 3D 人脸领域引入了概念上的解缠表示学习方法,通过使用双分支框架,有效地将表情信息与身份信息解耦,并通过重新配置损失函数和网络结构适应于点云数据,从而提高了框架在识别面部表情方面的能力,即使在涉及不同头部姿势的情况下,经过对 BU-3DFE 和 Bosphorus 数据集进行的广泛评估表明,DrFER 超过了其他 3D FER 方法的性能。
Mar, 2024
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
本研究提出了一种结合深度卷积神经网络(DCNN)和 Haar Cascade 深度学习架构的混合模型,用于将实时和数字面部图像分类到七种面部表情类别之一。实验结果表明,与其他模型相比,该架构在分类性能上具有显著优势,并且准确率高达 70%,执行时间短,为 2098.8 秒。
Jun, 2022
本文提出了一种基于深度卷积神经网络和条件随机场模型的视频面部表情识别方法,该模型从面部图像中提取空间信息和视频帧之间的时间关系,并在三个公共数据库上进行了实验证明,该模型在跨数据库实验中表现出色,并在主体独立实验中获得与现有模型相当的成果。
Mar, 2017
本研究提出一种基于遗传算法的编码解码机制来自动进化卷积神经网络进行面部表情识别,实验结果表明其在 CK + 和 FERG 数据集上取得了最佳结果,在 JAFFE 数据集上也有竞争力。
Apr, 2023
本文全面回顾了深度人脸识别的最近发展,涵盖了算法设计、数据库、协议和应用场景等广泛主题,概述了不同的网络架构和损失函数,将相关的面部处理方法分为 “一对多增强” 和 “多对一归一化” 两类,并总结和比较了常用的数据库用于模型训练和评估,最后强调了技术挑战和几个有前途的方向。
Apr, 2018