深度神经网络在面部表情识别中的应用、数据集和算法,针对过拟合和灯光、头部姿态等问题,分析和总结静态和动态图像序列的最新模型和性能,并探讨未来的发展方向和挑战。
Apr, 2018
基于大规模 FER 数据集的广泛实验和实践交叉验证,本文对多种网络架构进行排名,并给出了在真实情景中应用深度 FER 方法的一些推荐。此外,还讨论了实际 FER 应用中的潜在道德规范,隐私问题和法规。
Nov, 2023
本文提出了一种基于非线性表情嵌入和表情域翻译的跨域表情转移技术,通过低维潜空间、几何约束、感知约束和用户友好的技术,实现了人脸表情转移到虚拟角色上,并且在大范围实验和用户研究中证明了该方法的高效性和高质量。
Aug, 2020
本研究旨在探究面部微表情作为软生物识别的有效性并提出一种深度学习的方法来提高其在人体识别方面的应用,实验结果显示该方法与现有的基准相比,可以显著提高识别准确性。
Jun, 2023
本文提出了一种使用合成数据集和重新表示技术来处理虚拟人物面部表情的深度学习框架,同时结合了针对面部器官的组群和关键点与权重相连的方法来改进以往的研究,同时在定量和定性指标上更优。
本文提出了一种针对 Meta-Humans 图像的面部表情生成方法 FExGAN-Meta,通过使用大规模数据集并结合深度学习模型有效地解决了面部表情识别和图像生成中的挑战。
Feb, 2022
研究提出了一种基于生物学启发机制的面部表情识别传递学习方法,依靠领域特定的参考向量来编码模式,实现了高数据效率的跨多个领域的学习,较少量的图像即可实现 92.15%的分类准确率,这一方法提供了人脑如何在变化的头部形状(人类,猴子和卡通头像)上天生识别面部表情的解释。
Apr, 2023
提出了一种深度神经网络构架,可在多个公共面部数据库上进行面部表情识别,并且在精度和训练时间上优于传统卷积神经网络和现有方法。
Nov, 2015
基于数据驱动的隐式神经物理模型,我们提出了一种新的面部模型,可以分别通过表情和风格进行驱动,并且可以实现从一个角色到另一个角色的风格转移和不同角色之间的风格混合。
Jan, 2024
本研究提出了一种名为 FaceNet2ExpNet 的新思想,通过静态图片训练表情识别网络,先预训练表情网络的卷积层,再添加全连接层联合训练,通过可视化结果表明该模型能够捕捉到更高层次的表情语义,实验证明该方法优于现有技术在四个公共数据库上的识别结果表现。
Sep, 2016