面部表情识别的多区域融合卷积神经网络
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
本文提出了一种名为 MS-FRCNN 的新方法,它可以鲁棒地检测在面临各种困难的情况下搜集的图像中的人类面部区域,基于 Wider Face 数据库和 Face Detection 数据集与基准(FDDB)对比表明,该方法在各种情况下相对于其他最新的人脸检测方法,始终保持高度竞争力的最新表现。
Dec, 2016
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
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
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
本文提出了一种由多个利用卷积神经网络和大规模人脸识别数据集进行训练得到的强大行业级人脸识别网络组成的集成模型,该模型对视频中的空间和音频特征进行捕获,从而提高情绪识别的准确性,并在不使用视觉时间信息的情况下,将测试集的最佳结果提高了约 1%,实现了 60.03%的分类准确度。
Nov, 2017
本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架,该框架包括一组卷积神经网络和三层堆叠自动编码器,使用公开可用的数据集训练,取得了超过 99%的人脸识别率。
Sep, 2015
我们提出了一种基于集成学习方法的复合表情识别的解决方案,通过训练基于卷积网络、Vision Transformers 和多尺度局部注意力网络的三个表情分类模型,通过模型集成使用后期融合的方法,我们能够在 RAF-DB 上实现高准确率,并能够通过 C-EXPR-DB 的特定部分实现零样本表情识别。
Mar, 2024
本文利用基于径向基函数的多个支路来增强卷积神经网络,以捕捉面部情绪识别中的局部模式信息。结果表明,该模型在某些数据集上取得了最先进的表现,并且整合局部信息使其成为竞争对手。
Sep, 2021