ECCVAug, 2020

使用身体语言数据集的嘈杂学生训练改善面部表情识别

PDF
TL;DR使用自训练方法结合已标记和未标记数据集进行人脸表情识别，采用多级关注机制对人脸不同区域进行独立处理，实现了最新技术的性能表现。
facial expression recognitiondeep neural networkself-trainingmulti-level attention mechanismstate-of-the-art performance
发现论文，激发创造
  • 利用众包标签分布训练面部表情识别的深度网络

    本文演示如何使用深度卷积神经网络 (DCNN) 从嘈杂的标签中学习，并以面部表情识别为例。通过比较多数投票，多标签学习，概率标签绘制和交叉熵损失四种方法来利用多个标签，我们发现传统的多数投票方案表现不如完全利用标签分布的最后两种方法。此外，我们还向研究社区共享了一组多标签面部图像数据集。

    Aug, 2016

  • BEE-NET：识别野外身体表达情感的深度神经网络

    本研究探讨了环境因素，特别是场景和物体如何通过身体语言影响情绪表达。为此，我们引入了一种名为 BEE-NET 的新型多流深度卷积神经网络，并提出了一种新的后期融合策略，在学习过程中将场所和物体的元信息作为先验知识纳入考虑。实验结果表明，我们的深度模型在情感识别领域取得了显著的突破，超过了当前最先进的技术，情绪识别得分达到了 66.33%。

    Feb, 2024

  • 提高噪声学生训练用于自动语音识别

    本文研究了在自动语音识别中使用自适应 SpecAugment 的噪声自适应训练方法，通过过滤、平衡和增强数据集，成功地提高了网络性能，使 WER 在 LibriSpeech 测试集上分别为 4.2％/8.6％（无噪声 / 有噪声），并在 LibriLight 上达到了 1.7％/3.4％（无噪声 / 有噪声）

    May, 2020

  • ARBEE: 自动识别野外身体表情情绪的探索

    本研究提出了一种可扩展可靠的众包方法，用于收集自然状态下的人类身体语言数据，建立了一个大型数据集并通过统计分析揭示了许多有趣的想法。通过使用 Laban Movement Analysis 等特征，我们开发并评估了一个名为 ARBEE 的系统，该系统能够基于身体动作识别情感表达。

    Aug, 2018

  • 通过深度学习增强在线学习中的学生参与度：面部表情分析和复杂情感识别

    使用深度学习技术和面部表情来评估学生在在线学习课程中的参与程度，通过结合基本情绪表达出困惑、满意、失望和挫败等四种复杂情绪来动态描绘学生情绪，并通过卷积神经网络模型实现对学生情绪的准确分类，准确率达到 95%。

    Nov, 2023

  • 基于动态自适应阈值学习的鲁棒性面部表情识别

    通过动态阈值方法，从含无干扰样本的数据集中选择数据，以减少嘈杂注释对面部表情识别深度学习的影响。同时，该研究还构建了一个无监督的同步 loss 机制使其能够学习从所有的数据集中学习。

    Aug, 2022

  • 人脸识别中的魔鬼在于噪音

    本研究通过清洗常用人脸数据库数据集，建立一组新的大规模 IMDb-Face 数据集，对 MegaFace 及 MS-Celeb-1M 数据集进行噪声分析，并探究标签噪声与人脸识别模型准确性之间的关联，提出改进数据准确性的方法，包括用户研究数据标注的影响。

    Jul, 2018

  • 运用深度神经网络和贝叶斯分类器进行野外情感识别

    本文提出了一种基于深度神经网络和贝叶斯分类器的新型解决方案，其中神经网络分析单个面孔表情，贝叶斯分类器通过场景描述符估计全局情感。在 Emotion Recognition in the Wild Challenge 2017 数据集上测试，该方法在测试集上的准确率为 64.68％，显著优于竞争基线 53.62％。

    Sep, 2017

  • 使用带有噪声的自我训练方法提高 ImageNet 分类准确率

    通过使用更大的学生模型和在学习过程中添加噪声，该文提出了一种名为 'Noisy student training' 的半监督学习方法，在大规模高质量图像分类任务 ImageNet 上取得了 88.4% 的准确率，并在鲁棒性测试集上表现优异。

    Nov, 2019

  • 噪声数据对精细识别的非合理有效性

    利用简单通用的识别方法和网络上的免费嘈杂数据，成功规模扩展到 10,000 多个类别，不需要手动收集标签，取得超过现有各领域最佳记录的 92.3%、85.4%、93.4% 和 80.8% 的 top-1 准确率

    Nov, 2015