ICMLAug, 2020

利用联合面部动作单元数据集进行缺失值多标签学习

PDF
TL;DR本文介绍使用多个数据集共同训练机器学习模型来检测人脸情绪，并探讨数据注释和缺失标签对模型训练的影响。最终提出了一种在缺失标签下正确训练的算法，并且相比于其他情绪识别比赛有着不错的表现。
facial action unitsemotion detectiondata annotationmachine learningmulti-label detection
发现论文，激发创造
  • 不完整情感标签下的多任务情感识别

    本文中，我们使用数据平衡技术处理高度不平衡的实验数据，并提出了一种多任务模型的算法，通过使用软标签和真实标签来训练模型，解决了数据不全的问题，最终通过模型集成显著提高了面部动作单元检测、表情分类和情感估计的表现。

    Feb, 2020

  • 缺失数据下的多视角集成学习：计算框架和使用 Safe Autonomous Driving 领域新数据的评估

    本文探讨了多传感器融合和集成学习方法在自动驾驶的手部活动识别任务中的应用，展示了采用并行卷积神经网络作为传感器间信息融合的一种迟到融合方法，提出了处理丢失信息的方案，并对该方法进行了比较分析。

    Jan, 2023

  • 半监督面部动作单元多标签共规则化识别

    本文提出了一种基于深度神经网络、半监督学习和图卷积网络的面部动作单元识别方法，可以通过较少的有注释 AU 信息的面部数据和大量的没有注释 AU 信息的网络图像数据共同训练提高 AU 识别的准确性。

    Oct, 2019

  • 利用合成数据进行通用且公平的面部行为单元检测

    通过使用合成数据和多源领域自适应方法解决已标记数据稀缺和性别多样性问题，本文提出了一种基于面部表情再目标化方法的面部动作单元检测模型，并采用配对矩匹配方法来提高性别平等性，实现实现在真实环境中的面部动作单元检测。

    Mar, 2024

  • 加入标签多样性缓解人脸分析系统中的偏见

    本研究介绍了一种结合人类主观标签和数学定义的客观标注来减轻面部分类器中的偏见的学习方法，并通过集成学习方法进行了实验验证。

    Apr, 2022

  • 一张网络里的表情、情感和动作单元：面部行为随心定制

    该论文介绍了 FaceBehaviorNet 这个多任务深度学习框架，并利用 5M 张公共数据集，成功地将自然环境中的人脸行为分析的三个识别任务（特征表情识别、连续情感估计和面部动作单元检测）结合了起来，同时提出了两种有效的联合学习策略，对大量无标注数据的少样本学习场景也具有良好的泛化能力。

    Oct, 2019

  • 一种多任务学习与生成框架：情感价值 - 唤起度、动作单位和基本表情

    本论文针对情感分析的各个领域进行了研究，提出了基于神经网络的多任务学习方法，该方法有效地应用于 Aff-Wild 情感数据库的新注释部分并实现了良好的性能。

    Nov, 2018

  • 面部表情识别中理解和减轻注释偏差

    本文针对面部表情识别领域的标签偏差问题，提出了一种利用面部动作单元进行带有三元损失的 AU 校准面部表情识别（AUC-FER）框架，实验证明该方法比现有技术更有效。

    Aug, 2021

  • 时域多元素：多动作视频理解模型的学习与解释

    介绍了 Multi-Moments in Time dataset，它包含了超过一百万个三秒视频的超过两百万个动作标签，为多动作检测训练和分析模型引入了新的挑战。对于长尾多标签学习，提出了适合的损失函数，并提供了更好的模型可视化和解释方法，表明将 M-MiT 训练的模型迁移到更小的数据集具有很强的鲁棒性。

    Nov, 2019

  • 通过联合学习面部关键点检测和领域分离与重构来提升面部动作单位检测

    提出了一种新的 AU 检测框架，其中引入了多任务学习，通过共享同构面部提取模块的参数来共同学习 AU 领域分离和重建以及面部标志检测。此外，提出了一种基于对比学习和改进的对比损失的新特征对齐方案，通过添加四个中间监督器来促进特征重建过程。在两个基准测试上的实验结果表明，对于野外 AU 检测，我们优于现有的方法。

    Oct, 2023