IJCAISep, 2019

面部动作单元检测深度模型的快速有效适应

PDF
TL;DR本文介绍了一个基于深度学习和元学习的人脸动作单元检测方法，可以在处理新的任务（新的单元或主体）时快速地适应，并在 BP4D 和 DISFA 数据集上通过测试，证明使用少量标记样本即可实现模型的适应。
facial action unitsdeep learningmeta-learningadaptationfacial expression recognition
发现论文，激发创造
  • 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

  • 深度自适应关注：面部动作单元检测和人脸对齐

    本文提出了一种新颖的端到端深度学习框架以实现联合的面部动作单元检测和面部对齐任务，并通过在本地和全局特征中添加关注学习模块以提取精确的局部特征，在 BP4D 和 DISFA 基准测试上取得了显著的性能优势。

    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

  • 3D 面部动作单元的有条件对抗合成

    本文提出了一种基于 3D 形态模型的面部图像综合框架，可以通过给定目标 AU 标签生成生成新的表情参数和面部图像来增强面部表情识别数据，并在基准 DISFA 数据集上表现出良好的增强效果和 AU 强度估计性能。

    Feb, 2018

  • 多尺度推进的自适应相关学习用于面部动作单元检测

    提出了一种自适应 AU 相关性学习方法，通过在网络的不同阶段高效利用不同级别的 AU 运动和情感表示信息，自适应地学习和更新 AU 相关图，并结合多尺度特征学习方法，实现更强大的面部行动单元检测表现。

    Aug, 2023

  • 全局 - 局部表情嵌入辅助面部动作单元检测

    本研究旨在使用没有 AU 标签的表情数据集来促进 AU 检测，开发了一种名为 GLEE-Net 的新型 AU 检测框架，其中包括三个分支来提取独立于身份的表情特征，并通过 Transformer 多标签分类器来融合所有表示以进行 AU 检测。实验表明，该方法在 DISFA，BP4D 和 BP4D + 数据集上显著优于目前的最先进技术。

    Oct, 2022

  • 学习对比特征表示用于面部动作单元检测

    通过引入一种增强的对比学习框架并结合监督和自监督信号，以获取具有区分性的特征，本研究通过样本采样、重加权策略以及损失函数 AUNCE 等方法，针对面部运动单元（AU）检测中困扰的像素级学习问题、标签噪音和 AU 类型不平衡等挑战，取得了优于最先进方法的优秀性能。

    Feb, 2024

  • 多标签面部动作单元检测的时空线索建模

    提出了一种基于混合网络体系结构的面部动作单元检测方法，可同时处理面部表情解码中的三个问题：空间表示，时间建模和 AU 相关性。

    Aug, 2016

  • 区域适应、多标签学习和最优时序融合的动作部位检测

    提出一种深度学习框架来解决面部分析中动作单元检测中不同面部区域的对齐问题、时间信息的有效融合问题、以及多标签模型的训练问题，该方法结合了 ROI 适应性、多标签学习和基于 LSTM 的时间融合，评估结果表明，相较于现有技术在 BP4D 和 DISFA 数据集上，该方法平均提高 13％和 25％的检测准确率，取得了显著的性能提升。

    Apr, 2017

  • J (A) A-Net: 适应性注意力联合检测面部动作单元与面部对齐

    本文提出了一种用于联合面部动作单元检测和面部对齐的深度学习框架，通过学习多尺度共享特征，将面部对齐特征和全局特征与调整后的局部特征相结合，采用自适应注意力学习模块来调整 AU 的注意力图，实现了更好的 AU 检测表现，可适应不规则的 AU 区域，有望在面部识别领域有更广泛的应用。

    Mar, 2020