Jan, 2020

面部动作单元检测的时空关系和注意力学习

PDF
TL;DR本研究提出了一种基于空间 - 时间关系和注意力机制的面部动作单元检测框架，其中使用了空间 - 时间图卷积网络来捕捉动态面部动作单元的空间和时间关系，并使用自适应学习的边界权重来形成关系图。此外，为了学习 AU 之间的时空关系，我们提出了一种注意力机制，以自适应地学习区域注意力，并通过抑制不相关区域来提取每个 AU 的完整特征。实验结果显示，我们的方法在 BP4D 和 DISFA 基准测试中实现了显著的改进。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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