May, 2022

使用可学习图结构和自适应 AU 约束的几何图形表示方法用于微表情识别

PDF
TL;DR本文通过构建几何二流图网络、自学习机制和自适应动作单元损失函数，研究了人脸标志物对微表情识别的贡献。实验证明，本文提出的方法具有更高的效率和更低的计算成本，且人脸标志物对微表情识别有重要贡献，值得进一步研究高效的微表情分析。
micro-expression recognitionfacial landmarksgeometric two-stream graph networkdiscriminative me representationadaptive action unit loss
发现论文，激发创造
  • 基于图卷积网络的微表情关系建模与识别（MER-GCN）

    本研究提出了一种新的端到端 AU 导向的图分类网络，使用深度学习技术和 GCN 层探测 AUs 之间的依赖关系，以识别微表情，实验结果表明我们的方法优于 CNN-based。

    Apr, 2020

  • 自适应位移生成和 Transformer 融合的微表情特征表示学习

    本论文提出了基于特征表示学习的位移生成和 Transformer 融合（FRL-DGT）的新框架，用于微表情（ME）识别，实现了对 ME 特征提取和融合的有效学习，相比现有的方法，有了更好的准确度。

    Apr, 2023

  • 元学习引导的微表情识别

    提出了一种名为 LightmanNet 的双分支元辅助学习方法，用于快速和鲁棒的微表情识别，通过双分支双层优化过程，从有限数据中学习一般的微表情识别知识，进一步改进了模型的泛化和效率。

    Apr, 2024

  • 宏观到微观：通过在宏观表情视频上进行预训练来提升微表情识别

    微表情识别是近年来备受关注的研究领域，在智能医学和骗术检测等方面具有潜在应用。然而，缺乏标注数据一直以来都是加强基于深度学习的微表情识别方法的主要障碍之一。本文提出了一种广义的转移学习范式，称为宏观表情到微表情（MA2MI）。在该范式下，网络可以通过重建未来帧来学习表示微妙的面部运动。此外，本文还提出了一种两支路微动作网络（MIACNet），用于解耦面部位置特征和面部动作特征，帮助网络更准确地定位面部动作位置。在三个常用的微表情识别基准上进行的大量实验证明了我们方法的优越性。

    May, 2024

  • 基于面部特征点和时空图卷积网络的参与度测量

    介绍一种通过人工智能和情感计算来测量虚拟学习中学生参与度的隐私保护方法，该方法利用从视频中提取的没有个人身份信息的面部标志点，通过 Spatial-Temporal Graph Convolutional Network (ST-GCN) 模型输出学生在视频中的参与度水平。

    Mar, 2024

  • 基于属性信息嵌入和跨模态对比学习的微表情识别

    通过属性信息嵌入和跨模态对比学习，基于微表情序列的 RGB 和 FLOW 特征提取和 BERT 网络提取文本信息，实现面部微表情识别，并在 CASME II 和 MMEW 数据库上进行了广泛实验，准确率分别为 77.82% 和 71.04%。与其他方法相比，该方法具有更好的微表情识别效果。

    May, 2022

  • 基于拓扑自适应深度图学习的结构化地标检测

    本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学（如手、骨盆）标志物检测，该方法结合了局部图像特征和全局形状特征，基于两个图卷积网络（GCNs）学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明，在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。

    Apr, 2020

  • 面部表情识别的中层表示增强和图形嵌入的不确定性抑制

    本文提出了利用 MRE 和 GUS 技术的人脸表情识别方法，以解决表情变化和数据不确定性带来的挑战。实验结果表明该方法具有更强的泛化能力和更稳健的表情捕捉表示能力。

    Jul, 2022

  • 真实情绪映射：实时新闻中面部表情基准测试

    使用从逼真的新闻视频中提取的面部地标的情感识别的一种新方法，采用图神经网络分析面部地标的几何和空间关系，提高情感识别的理解和准确性。该方法通过构建基准数据集展示了其可行性和潜力，为情感识别技术的未来研究指明了新的方向。

    Apr, 2024

  • 基于面部标志和神经网络的实时面部表情识别

    本研究提出了一种基于静态图片实现的轻量级算法，用于实时进行人脸表情识别、情绪分类和特征提取。 Multi-Layer Perceptron (MLP) 神经网络是基于前面的算法进行训练的，提取几何和纹理特征，生成特征向量，用于训练三层 MLP，其测试准确度达到 96%。

    Jan, 2022