AAAIApr, 2019

面部动作单元识别的语义关系引导表示学习

PDF
TL;DR本研究提出了基于知识图谱的面部动作单位识别建模框架，采用深层神经网络框架结合全局图神经网络进行语义关系传播，旨在增强面部区域特征提取提高面部表情识别性能，实验表明该方法在面部动作单位识别上取得了最佳表现。
facial action unit recognitionsemantic relationship propagationstructured knowledge-graphdeep neural network frameworkstate-of-the-art performance
发现论文，激发创造
  • 基于注意力关系网络的面部动作单元识别

    本文提出了一种基于注意力机制的关系网络（ABRNet），该网络可以自动捕获不同 AU 之间的关系，使用自我注意力融合模块来提高特征的稳健性，并提出了 AU 关系丢失策略和 AU 关系损失来进一步改善 AU 识别。实验证明，该方法在 DISFA 和 DISFA+ 数据集上实现了最先进的性能。

    Oct, 2022

  • 基于多维边缘特征的面部表情动作单元关系图学习

    本文提出了一种基于深度学习的 AU 关系建模方法，通过学习多维边特征与节点特征来描述面部表情不同组合之间的关系特征，从而实现更准确的 AU 识别。我们在 BP4D 和 DISFA 数据集上的实验结果表明，我们的方法不仅在各项识别指标上取得最优结果，而且可以轻松嵌入到不同的模型中。

    May, 2022

  • 基于图卷积网络的面部动作单元检测关系建模

    本文提出了一种基于端到端深度学习框架进行面部 AU 检测的方法，使用图卷积网络（GCN）进行 AU 关系建模，通过解码器学习 AU 信息，再将每个隐层表示向量作为 GCN 的节点，最后将 GCN 更新的特征组合起来进行 AU 检测，实验证明该方法优于现有面部 AU 检测方法。

    Oct, 2019

  • 多尺度动态和分层关系建模用于面部运动单元识别

    本文提出了一种综合模型多尺度面部动作单元相关的动态和分层时空关系，以实现面部动作单元的发生识别。实验结果表明，该方法在面部动作单元发生识别领域具有新的最先进水平。

    Apr, 2024

  • 面部动作单元识别的深层结构推理网络

    本文提出了一种基于深度神经网络的面部表情识别算法，通过学习局部和全局特征，以及类似于图推理方法的消息传递算法，显著提高了在 BP4D 和 DISFA 数据集上的表现。

    Mar, 2018

  • 使用注意力和关系学习进行面部动作单元检测

    本文提出了一种基于深度学习的端到端注意力关系学习框架，用于面部动作单元（AU）检测。通过自适应地学习通道和空间注意力以选择和提取与 AU 相关的局部特征，并进一步捕获 AU 的像素级关系以提炼更多相关的局部特征，该方法在 AU 检测和强度估计方面均优于目前最先进的方法，并能在严重的遮挡和大姿态下工作。

    Aug, 2018

  • 面部动作单元自监督区域和时间辅助任务识别

    本文提出了一种基于自监督学习方法的区域和时序辅助任务学习框架（RTATL），通过考虑面部动作单元（AU）的属性，设计了 RoI 修复和基于单张图像的光流估计两个辅助任务，以更好地捕捉 AU 的局部特征、相互关系和运动线索，并在 BP4D 和 DISFA 数据集上进行了广泛的实验，在 AU 识别方面取得了最新的最优性能。

    Jul, 2021

  • 基于动态图卷积和语义对应学习的面部表情动作单元强度估计

    本论文提出了一种新的学习框架，通过建立特征映射之间的语义对应关系自动学习 AU 之间的潜在联系，从而实现面部动作单元的强度估计，其中语义对应卷积模块（SCC 模块）可以提高特征的可辨识性，并且在两个基准数据集上展现了显著的性能优越性。

    Apr, 2020

  • 面部行动单元检测的全局到局部表情感知嵌入

    本文提出了一种用于促进 AU 检测的新型细粒度全局表情表示编码器以及设计了用于为每个 AU 生成本地面部特征的本地 AU 特征模块。实验结果表明，我们的方法优于现有方法并在 BP4D、DISFA 和 BP4D + 等广泛使用的面部数据集上实现了最先进的性能。

    Oct, 2022

  • 基于区域的面部动作单元对抗合成

    本文提出了一种面部动作单元（AU）级别的面部表情合成方法，使用基于 AU 注释的本地注意条件生成对抗网络（LAC-GAN）控制 AU 状态，并使用非配对训练数据训练操纵模块， 在常用的 BP4D 数据集上进行定量和定性评估以验证该方法的有效性。

    Oct, 2019