ECCVAug, 2020

人类面部表情不确定时，应使用贝叶斯神经网络！

PDF
TL;DR本文利用贝叶斯神经网络，如 MC-Dropout，MC-DropConnect 或 Ensemble 来建模 Facial emotion recognition 中的 aleatoric 不确定性，在这个任务中产生更接近人类预期输出的概率，并展示了校准度量展示的奇怪行为，这激励未来的研究。我们相信我们的工作将鼓励其他研究者从 Classical 转向 Bayesian 神经网络。
facial emotion recognitionbayesian neural networksmc-dropoutmc-dropconnectensemble
发现论文，激发创造
  • 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

  • 使用神经网络进行挑战人群面部表情的情感识别

    这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

    May, 2023

  • 能否准确使用 CNN 分类人类情绪？一项基于深度学习的面部表情识别研究

    该研究探讨了 CNN 模型识别和分类人类面部表情（积极、中立、消极）的能力，通过对芝加哥人脸数据库的预处理数据进行训练，模型在 10,000 张图像上达到 75% 的准确率，表明实现准确分析人类情感以及实用情感人工智能的可能性。

    Oct, 2023

  • 利用先前的面部动作单元知识进行面部情感识别

    我们提出了一种使用面部动作单元（AUs）识别技术来识别情绪的方法，该识别方法基于面部动作编码系统（FACS）并通过机器学习系统计算，以扩展情绪识别技术的能力。

    Nov, 2023

  • EmotioNet 挑战：在野外识别面部情感表达

    本文介绍了 EmotioNet 挑战的方法和结果，其中第一项挑战测试了当前计算机视觉算法在自动检测表情动作单元（AU）方面的能力，第二项挑战测试了算法在面部表情图像的情感分类方面的能力，研究表明当前机器学习算法在这两个任务中无法可靠地解决问题，计算机视觉算法在检测动作单元时的效果比检测情感分类时的效果要好。

    Mar, 2017

  • 基于深度神经网络视频融合的面部表情分类 —— 第三届 ABAW3 竞赛

    本研究使用 Transformer 机制，结合鲁棒表示编码和表示融合进行表情分类，结果表明该模型在 Aff-Wild2 数据集上表现有效。

    Mar, 2022

  • 面部标志识别的情感识别

    该研究提出了一种基于面部标志的情感识别分类损失函数修改方法，将一种新方法 EmotionalDAN 应用于情感识别上，并在两个挑战性基准数据集上实现了比最先进的情感分类方法高达 5% 的准确度。

    Apr, 2018

  • 使用话语特定狄利克雷先验估计情感类别标签的不确定性

    本文提出了一种基于贝叶斯训练损失的情感识别法，该方法可以对不同情感类别的独热标签下的不确定性进行建模，在基于独热标签的情感分类基础上进行了进一步的改进，进而实现了在单语音情感分类中的最先进结果。

    Mar, 2022

  • 一种个性化情感记忆神经模型，用于提高情感识别能力

    本论文提出了一个基于有条件的对抗自动编码器的神经模型和增长可变网络的方法，用于识别和区分个性化和在线面部表情的情绪，取得了最先进的表现，还包括削减研究和神经可视化，以解释我们的模型行为。

    Apr, 2019

  • 人类情感的不确定度测量

    这项研究探讨了计算机评估人类表达的情绪并利用该数据执行不同任务的能力，以及计算机生成情绪分类信息以帮助用户做出决策或执行任务的能力。实验结果表明，显示更多的不确定信息可以帮助用户在做出决策时更有信心。

    Aug, 2023