Feb, 2019

基于浅层三重流的三维卷积神经网络（STSTNet）用于微表情识别

PDF
TL;DR本文介绍了一种名为 STSTNet 的深度神经网络，它从三个光流特征中学习以识别面部微表情，通过实验结果表明，该网络可以提高有效性并获得更高的精度。
facial micro-expression recognitiondeep neural networksshallow triple stream three-dimensional cnnoptical flow featuresexperimental results
发现论文，激发创造
  • 利用两流深度三维卷积神经网络学习空间 - 时间特征进行唇语识别

    本研究探讨利用 3D CNN 和光流输入的深度学习模型提高视频字幕的准确性，并证明采用光流输入单独或与灰度视频输入一起能进一步提高性能，在 LRW 数据集上实现了 5.3% 的绝对改进。

    May, 2019

  • StNet：行动识别的局部和全局空时建模

    本文提出了一种新的空时网络（StNet）架构来进行局部和全局的空时建模，通过将 N 个连续的视频帧堆叠成一个超级图像，并对超级图像应用二维卷积来捕获局部空时关系，再对局部空时特征映射应用时间卷积来建模全局空时关系，该方法在动作识别方面优于现有技术，也在模型复杂度和准确度之间取得了理想的平衡，实验结果表明该方法可以广泛应用于视频表示的学习。

    Nov, 2018

  • 三流 3D/1D CNN 在乒乓球细粒度动作分类和分割中的应用

    该研究提出了一种基于三流网络的多模态融合方法，用于细粒度体育动作分类，其中包括原始 RGB 数据、计算的光流和估计的运动员姿态，应用于 TTStroke-21 数据集，比以前的方法收敛更快，在分类已知时间边界的运动和关节分割和分类方面表现更好。

    Sep, 2021

  • 用于识别自发微表情的时空循环卷积神经网络

    本研究提出了一种利用深度循环卷积神经网络进行微表情识别的方法，该方法能够捕捉微表情序列的时空变化，相对于现有的其他方法，该方法表现更为优异。

    Jan, 2019

  • SurfaceNet: 一个端到端的 3D 神经网络，用于多视点立体成像

    该论文提出了一种名为 SurfaceNet 的端到端学习框架，可用于多视图立体成像中的 3D 建模，并通过大规模 DTU 基准测试对 SurfaceNet 进行了验证。

    Aug, 2017

  • 人类动作识别的深度时空 STFT 卷积神经网络

    使用 STFT 块替代 3D 卷积层及其变种可以提高 3D CNN 的特征学习能力，显著减少其参数和计算复杂度，并在七个动作识别数据集上达到甚至超过现有方法的性能。

    Jul, 2020

  • STNet：针对目标定位的卷积网络选择性调节

    该论文提出了一种新的卷积神经网络模型，Selective Tuning of Convolutional Networks (STNet)，该模型通过底层和顶层信息流的选择性调整，实现了对卷积神经网络图像表示的选择调节，用于 ImageNet 数据集上弱监督定位任务，取得了比现有技术更好的结果，并产生了基于注意力的类别推理映射。

    Aug, 2017

  • SKD-TSTSAN: 基于自知识蒸馏的三流时序偏移注意力网络用于微表情识别

    本研究提出了一种基于自我知识蒸馏的三通道时延注意力网络（SKD-TSTSAN），用于提高微表情识别的性能，并在四个微表情数据集上展开实验，结果表明 SKD-TSTSAN 优于现有方法，并取得新的最优性能。

    Jun, 2024

  • 视频分类的高效双流动态和外观 3D 卷积神经网络

    本研究提出基于 3D 卷积神经网络的新型深度学习模型，可以更快速和准确地进行动作和运动表示，进一步整合光流特征从而获得更准确的结果。

    Aug, 2016

  • MSSTNet：用于动态面部表情识别的多尺度时空卷积 - 变换网络

    通过提出多尺度时空 CNN-Transformer 网络（MSSTNet），本研究在人脸动态表情识别领域中取得了最先进的结果，该方法利用多尺度空间和时间信息实现了对面部表情的准确分类。

    Apr, 2024