基于面部动作单元的连续情感随机森林回归
本论文介绍了利用预训练的深度模型在静态照片上提取可靠情感特征的可能性,并通过多任务场景中的轻量级模型来识别面部表情、价值和唤起。实验结果表明,与现有的非集成技术相比,我们的方法显著提高了验证集上的质量指标。
Mar, 2024
本文提出了一种基于单个预训练 AffectNet 的 EfficientNet 模型提取面部特征的新颖的帧级情感识别算法,可以实现移动设备上的实时视频人脸情感分析,在第三届野外情感行为分析(ABAW)竞赛的大规模 Aff-Wild2 数据集上,与 VggFace 基线相比,我们的简单模型在单任务表情分类、趋势 - 觉醒估计和表情分类的验证集中的性能指标高 0.15-0.2,由于简单性,我们的方法可以被视为四个子挑战的新基准。
Mar, 2022
本文介绍了利用深度学习方法对情感进行分析与识别的相关研究,以及在真实情境下(in-the-wild)数据上进行大规模情感分析所需深度神经网络的架构设计,并提出了一种基于多任务学习和整体框架的方法,通过改进现有的情感识别技术来提高情感识别效果。
Mar, 2021
本研究介绍了一种基于多模态特征和 Transformer 的统一框架,用于情感行为分析和表情识别任务,同时运用数据平衡和增强方法进一步提高模型性能。实验证明,该方法在 ABAW3 竞赛中在 EXPR 和 AU 方面排名第一。
Mar, 2022
本文介绍了于 CVPR 2023 会议举办的第五届 Affective Behavior Analysis in-the-wild (ABAW) Competition,其中包括四个挑战,使用了两个数据集,分别是 Aff-Wild2 database 和 Hume-Reaction dataset,这些挑战包括单任务的情感估计、表情分类、动作单位检测和情绪反应强度估计。
Mar, 2023
本文介绍了第三届 ABAW 竞赛,该竞赛以自动情感分析为目标,并包括四个挑战:单任务价值 - 唤醒估计、单任务表情分类、单任务动作单元检测和多任务学习。在此基础上,我们概述了竞赛数据集、评估指标及基准系统。
Feb, 2022
该研究收集并准备公开发布了一个名为 AffectNet 的数据库,包含 100 多万张网络图片,其中大约半数手动注释了 7 种离散面部表情和不同情绪模型的愉悦和唤起度强度,并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。
Aug, 2017
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
本文研究自然环境下的情感计算,提出了三种基于神经网络的方法,结合 Inception-ResNet 模块用于面部表情预测,分别为浅层 Inception-ResNet、深层 Inception-ResNet 和带有 LSTMs 的 Inception-ResNet,采用 Deep Inception-ResNet 方法可以实现 valence 和 arousal 误差率分别达到 0.4 和 0.3,相应的 CCC 率分别为 0.04 和 0.29。
May, 2017