Apr, 2018

野外条件下的深度情感预测：Aff-Wild 数据库和挑战，深度架构以及未来展望

PDF
TL;DR本文介绍了一种基于视觉信号的深度神经网络自动识别情感的方法，提出了适用于情感识别算法训练和评估的 Aff-Wild Benchmark，以及使用这一数据库 achieving best performances both for dimensional, as well as categorical emotion recognition，成为情感识别领域的最好表现之一。
affect recognitionvisual signalslatent dimensionsaff-wild benchmarkdeep learning
发现论文，激发创造
  • Aff-Wild2: 将 Aff-Wild 数据库扩展到情感识别领域

    利用扩展的 Aff-Wild 数据集和联合卷积 - 循环神经网络构架，本文分别在特定数据库和跨数据库实验中，发掘了这一神经网络模型对情感识别和分析中的应用前景，并引用了情感范畴的简述模型 circumplex model 进行表述。

    Nov, 2018

  • 情感、表情、动作单元识别：Aff-Wild2，多任务学习和 ArcFace

    这篇文章介绍了 Aff-Wild2 这一大型野外数据库，以进行情感识别，通过 CNN 和 CNN-RNN 架构的视觉和音频模型，实现了情感识别任务的最先进性能，并使用 ArcFace 损失函数训练各种新的网络，并取得较与现有技术相比，更好的效果

    Sep, 2019

  • 野外情感分析：愉悦度 - 唤起度、表情、动作单元和统一框架

    本文介绍了利用深度学习方法对情感进行分析与识别的相关研究，以及在真实情境下（in-the-wild）数据上进行大规模情感分析所需深度神经网络的架构设计，并提出了一种基于多任务学习和整体框架的方法，通过改进现有的情感识别技术来提高情感识别效果。

    Mar, 2021

  • AffectNet：野外面部表情、好感度和唤起度计算的数据库

    该研究收集并准备公开发布了一个名为 AffectNet 的数据库，包含 100 多万张网络图片，其中大约半数手动注释了 7 种离散面部表情和不同情绪模型的愉悦和唤起度强度，并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。

    Aug, 2017

  • 第二届 ABAW2 比赛中用于多任务情感识别的先前辅助流网络

    该研究提出了一种利用多任务流网络和先进面部表情嵌入的方法，在面对不同的情感表示时，有效地进行情感自动识别。

    Jul, 2021

  • 一种多任务学习与生成框架：情感价值 - 唤起度、动作单位和基本表情

    本论文针对情感分析的各个领域进行了研究，提出了基于神经网络的多任务学习方法，该方法有效地应用于 Aff-Wild 情感数据库的新注释部分并实现了良好的性能。

    Nov, 2018

  • ABAW: 从合成数据和多任务学习挑战中学习

    本篇论文介绍了在 2022 年欧洲计算机视觉会议 (ECCV) 期间举办的第四届情感行为分析比赛 (ABAW)。今年该比赛涵盖了两个不同的挑战：多任务学习和从合成数据学习，目标在于基于 Aff-Wild2 数据库自动分析情感表达，其中该数据库是一个大规模的野外数据库，具备对价值、唤醒度、表情和动作单位的注释，并通过 s-Aff-Wild2 数据库和人工合成数据集完成了情感识别的基础研究。

    Jul, 2022

  • 利用深度残差和卷积神经网络在野外进行面部情感估计

    本文研究自然环境下的情感计算，提出了三种基于神经网络的方法，结合 Inception-ResNet 模块用于面部表情预测，分别为浅层 Inception-ResNet、深层 Inception-ResNet 和带有 LSTMs 的 Inception-ResNet，采用 Deep Inception-ResNet 方法可以实现 valence 和 arousal 误差率分别达到 0.4 和 0.3，相应的 CCC 率分别为 0.04 和 0.29。

    May, 2017

  • 野外双流感性音视频分析

    本文介绍了我们提交到 ABAW 2020 竞赛的两条流声音视觉分析模型来识别视频中的情感行为。该模型分别处理音频和图像流，并使用卷积神经网络进行分析，同时使用人脸对齐期间提取的附加功能。在训练期间，利用不同情感表达之间的相关性来提高性能。通过在 Aff-Wild2 数据库上的实验，我们的模型取得了有希望的结果。

    Feb, 2020

  • SUN 团队在 ABAW 2024 竞赛中的贡献：音频视觉的情感倾向与表达识别

    通过调查音频和视觉深度学习方法，为非控制环境中的情绪识别问题提供有效的体系结构。使用基于微调的卷积神经网络（CNN）和公共维度情绪模型（PDEM）进行视频和音频模态的比较，并使用这些多阶段训练的模态特定的深度神经网络（DNN）的嵌入来比较替代的时间建模和融合策略。在 ABAW'24 挑战协议下，对 AffWild2 数据集进行了结果报告。

    Mar, 2024