HTNet 微表情识别
本文提出了一种基于 Transformer 网络的多模态多尺度算法,通过微表情的运动和纹理两种特征完全学习微表情的局部多粒度特征,实现了不同尺度脸部局部区域特征的提取并在三个自然数据集上进行了综合实验。结果表明,该算法在单个测量 SMIC 数据库中的准确度高达 78.73%,在合并数据库的 CASMEII 上的 F1 值高达 0.9071,处于领先水平。
Jan, 2023
本文提出了一种新的面部微表情识别方法 Micron-BERT,采用 Diagonal Micro-Attention 和 Patch of Interest 模块,在大规模无标注数据集上实现了高精度,并在 SAMM、CASME II、SMIC 和 CASME3 四个数据集上明显优于现有方法。
Apr, 2023
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
本文提出了一种新的非侵入式、易于扩展的方法,用于从人脸视频中检测情感,该方法通过脸部流形检测精确定位视频中的人脸,并采用局部脸部流形嵌入创建用于测量微小肌肉运动的公共域,通过数字图像散斑相关和光流算法计算面部微动的模式,然后将相应的矢量场映射回原始空间,并叠加在视频的原始帧上。最终的结果包括关于肌肉运动方向的附加信息,并使用该方法训练了一个用于从视频中进行情感分类的最新网络 -- 帧关注网络(FAN),该方法成功地提高了情感检测的性能。
Nov, 2022
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
本研究旨在探究面部微表情作为软生物识别的有效性并提出一种深度学习的方法来提高其在人体识别方面的应用,实验结果显示该方法与现有的基准相比,可以显著提高识别准确性。
Jun, 2023
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
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
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
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