May, 2023

RMES: 使用 Riesz 金字塔相位进行实时微表情检测

PDF
TL;DR提出了一个使用浅层卷积神经网络进行小表情识别的框架，其中运动由 Riesz Pyramid 计算的相位来表示，相比于光流法，其提供了更局部的运动估计，使得小表达识别性能更高，并且降低了 77.8％的计算量，达到了在两个公共数据集上的最新性能。
micro-expressionsme spottingfacial motionreal-timedeep learning
发现论文，激发创造
  • 朝向读取隐藏情绪：自发微小表情检测和识别方法的比较研究

    该研究利用特征差异对长视频中自发微表情进行识别，并提出了自动微表情分析系统，该方法超出了人类在微表情识别任务上的表现且能胜任较具挑战性的任务。

    Nov, 2015

  • 基于视频的面部微表情分析：数据集，特征和算法调查

    该研究论文系统概述了基于视频的微表情分析，讨论了其神经心理学基础、数据集、特征、算法、应用和评估，之后提出了一个更完整的、适用范围更广的数据集，并进行了方法比较和未来研究方向的展望。

    Jan, 2022

  • 基于面部先验的微表情生成的一阶动作模型

    通过运动模式驱动目标面部生成微表情视频，使用 CASME II、SAMM 和 SMIC 数据集训练的模型在 Facial Micro-Expression Challenge 2021 中获得第一名，并由三位拥有面部动作编码系统认证的专家验证了其卓越的性能。

    Aug, 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

  • 层次化时空注意力在微表情识别中的应用

    提出了一种基于 Hierarchical Space-Time Attention (HSTA) 的微表情识别方法，通过建立微表情视频帧与特定面部区域之间的联系以及跨模态数据的融合，实现了对微小的面部动作和情感的识别和分析。

    May, 2024

  • 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

  • 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

  • SKD-TSTSAN: 基于自知识蒸馏的三流时序偏移注意力网络用于微表情识别

    本研究提出了一种基于自我知识蒸馏的三通道时延注意力网络（SKD-TSTSAN），用于提高微表情识别的性能，并在四个微表情数据集上展开实验，结果表明 SKD-TSTSAN 优于现有方法，并取得新的最优性能。

    Jun, 2024

  • 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

    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。

    May, 2022

  • 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