通过面部对齐、训练优化和调度提高从面部视频中估计抑郁症的准确性

Dec, 2022

通过面部对齐、训练优化和调度提高从面部视频中估计抑郁症的准确性

Improving Depression estimation from facial videos with face alignment, training optimization and scheduling

Manuel Lage Cañellas, Constantino Álvarez Casado, Le Nguyen, Miguel Bordallo López

TL;DR本文提出通过改进图像预处理和训练步骤，使用人脸对准等技术和更好的数据增强、优化和调度技术，基于 ResNet-50 的两个简单模型在单一流程和两个不同流程的分数级融合中取得了良好的结果，这表明预处理和训练过程中的特定修改会对模型性能产生显著影响。

Abstract

deep learning models have shown promising results in recognizing depressive states using video-based facial expressions. While successful models typically leverage using 3D-CNNs or video distillation techniques,

deep learning facial expressions depressive states resnet-50 data augmentation

发现论文，激发创造

利用预训练于大型人脸识别数据集上的卷积神经网络进行视频情感分类

本文提出了一种由多个利用卷积神经网络和大规模人脸识别数据集进行训练得到的强大行业级人脸识别网络组成的集成模型，该模型对视频中的空间和音频特征进行捕获，从而提高情绪识别的准确性，并在不使用视觉时间信息的情况下，将测试集的最佳结果提高了约 1％，实现了 60.03％的分类准确度。

Nov, 2017

数据增强和迁移学习应用于面部表情识别

通过使用数据增强技术和生成对抗网络模型，将初步训练的卷积神经网络与不同架构的预训练模型的方法应用于面部表情识别任务，使得模型的泛化能力得到提高，从而实现对面部表情的自动识别，准确率达到 85%。

Feb, 2024

基于面部属性的抑郁症自动识别的神经网络结构搜索

本研究使用神经架构搜索技术为基于多种面部属性的抑郁症识别设计最佳模型，并通过 AVEC2016 数据集的实验结果验证了该模型的可行性和准确性，为基于时间序列数据的心理健康分析提供了坚实的证据和强有力的基础。

Jan, 2022

深度三维人脸识别

本文提出了一种使用深卷积神经网络和 3D 数据扩增技术的新型 3D 人脸识别算法，表明 2D 人脸图像 CNN 训练的迁移学习可以有效用于 3D 人脸识别，同时采用一种 3D 人脸扫描的数据扩增技术，可以改进 3D 人脸识别的性能。

Mar, 2017

基于三维面部模型和深度学习的人脸分类与识别增强

通过将三维面部模型与深度学习方法相结合，本研究提出了一种新的方法来增强面部分类和识别任务，从而精确分析和分类面部属性。使用三维面部模型提取各种任务的最有用信息，从而提高了分类准确性。将三维面部洞察力与 ResNet 结构相结合，本方法取得了显著的结果：100％个体分类准确性，95.4％性别分类准确性和 83.5％表情分类准确性。这种方法有望推进面部分析和识别的研究。

Dec, 2023

基于深度学习的人脸识别特征表示全面分析

本文综合评估了基于深度学习的面部表示在不同条件下的性能，仍需预处理，如姿态和光照归一化以在各种条件下取得更好的性能。

Jun, 2016

基于视听线索的抑郁症识别深度学习：综述

介绍了深度学习技术在自动抑郁症检测中的应用方法，包括音频和视频中的抑郁指标，最后讨论了深度学习技术在自动抑郁诊断方面的挑战和前景

May, 2021

基于增强式深度 3D 卷积神经网络的人脸表情识别

本篇研究提出了在视频中进行情感识别的 3D 卷积神经网络方法，使用 3D Inception-ResNet 层及 LSTM 单元，从面部图像中提取空间关系和不同帧之间的时间关系，并利用面部关键点作为输入，该方法在四个公开数据库上的表现超过了现有最先进技术。

May, 2017

深情感：利用注意力卷积网络进行面部表情识别

该文介绍了针对面部表情识别问题，提出了一种基于注意力卷积网络的深度学习方法，并采用可视化技术确定了识别不同情绪对应的重要面部区域，相比先前的模型在多个数据集上都取得了明显的改进。

Feb, 2019

心灵的表情：通过面部表情揭示在 11,427 名青少年中的心理健康状态

通过分析大规模的面部表情数据集，本研究揭示了情绪障碍与面部表情之间的关系，发现了面部表情中微小的瞳孔动态和视线方向变化可能是情绪障碍的潜在标记，为基于数据的精神健康研究奠定了基础。

May, 2024