Jun, 2023

PAtt-Lite：挑战性面部表情识别的轻量级 MobileNet 补丁与注意力模型

PDF
TL;DR本文提出了一种基于 MobileNetV1 的轻量级 patch 和 attention 网络，旨在改善面部表情识别（FER）在复杂环境下的性能，实验结果表明，该方法在公共基准数据库上取得了最先进的结果。
facial expression recognitionmachine learningmobilenetv1patch extraction blockattention classifier
发现论文，激发创造
  • 一种基于多尺度特征融合的轻量级注意力深度网络用于多视角面部表情识别

    通过引入轻量级的关注网络，以及多尺度特征融合，本研究的主要目标是克服在实际应用中计算复杂性和多视角头部姿势方面所面临的挑战，该方法在参数数量和对姿势变化的鲁棒性方面达到了业界先进方法的水平。

    Mar, 2024

  • 轻量级人脸识别：改进的 MobileFaceNet 模型

    本研究详细探讨和比较了轻量级人脸识别模型，特别关注 MobileFaceNet 及其修改版 MMobileFaceNet。我们研究了数据集选择、模型架构和优化算法对人脸识别模型性能的影响。通过在 EFaR-2023 竞赛中的参与，我们的模型在参数受限的类别中表现出色。通过使用 Webface42M 数据集的子集和集成锐度感知最小化（SAM）优化，我们在各种基准测试中实现了显着的精度提升，包括跨姿势、跨年龄和跨种族的性能。结果凸显了我们方法在打造既计算高效又在不同条件下保持高精度的模型方面的有效性。

    Nov, 2023

  • 利用深度神经网络深入进行面部表情识别

    提出了一种深度神经网络构架，可在多个公共面部数据库上进行面部表情识别，并且在精度和训练时间上优于传统卷积神经网络和现有方法。

    Nov, 2015

  • 基于轻量级神经网络的多任务学习的面部表情和属性识别

    本研究探讨轻量级卷积神经网络的多任务学习，用于识别人脸和分类面部属性（年龄，性别，种族），并在没有距离边缘的剪裁人脸上进行训练，需要微调这些网络以预测面部表情；使用 MobileNet、EfficientNet 和 RexNet 架构提出了几种模型，并在 UTKFace 数据集上证明了它们接近最新的年龄、性别和种族识别结果，在 AffectNet 数据集的情感分类上也表现出色；此外，展示了将已训练的模型用作视频帧中面部区域的特征提取器，其识别精度比以前已知的情感分类挑战的单一模型高 4.5％。

    Mar, 2021

  • 知道何时放弃：基于 Patch Attention 的选择性级联回归用于实时人脸对齐

    研究了面部关键点估计的准确性和速度问题，提出了一种基于软件的面部关键点姿态估计方法，利用逐步迭代预测回归误差的方法来区分样本，通过多尺度、基于补丁的轻量级特征提取器来进行面部关键点姿态估计，在移动设备 GPU 上实现了实时运行。

    Aug, 2021

  • FaceChannel：一种用于面部表情识别的轻量级深度神经网络

    通过提出 FaceChannel 轻量级神经网络，减少模型参数与优化而实现自动面部表情识别（FER）目标，相较于现有最先进的 FER 模型在基准数据集上有着可比甚至更好的性能表现。

    Apr, 2020

  • 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

  • PatchNet: 一种基于精细化 Patch 识别的简易面部防欺骗框架

    本文提出了 PatchNet 框架，通过对非扭曲的面部图像裁剪，识别由拍摄设备和陈列材料组成的细粒度面部图案，以加强对本地拍摄模式的区分学习，同时提出了新的分类和自监督相似度损失函数，并在多项测试数据上验证了该框架在面部反欺诈技术方面的优越性

    Mar, 2022

  • PatchFormer：一种具有补丁注意力的高效点变换器

    在点云学习领域中，由于 Transformer 模型生成的注意力矩阵具有输入规模的平方复杂度，因此本文提出了一种采用自适应方式学习较小基础上的基础并通过它们的带权求和来计算注意力矩阵的方法 (PAT)，并借助于轻量级的多尺度注意力块（MST）来实现对不同尺度特征的关注，最终构建了一个名为 PatchFormer 的神经网络，为点云学习提供了可比较的准确性，并且比以前的点 Transformers 快 9.2 倍。

    Oct, 2021

  • 面部表情识别的情感掩码自编码器与注意融合

    创新方法集成了自我监督学习方法 MAE-Face 和融合注意机制，用于情感分类，通过提取关键面部特征以增强模型性能，特别是在 ABAW 第六次竞赛中展示，并在 Aff-wild2 数据集上得到显著验证。

    Mar, 2024