Aug, 2023

多尺度推进的自适应相关学习用于面部动作单元检测

PDF
TL;DR提出了一种自适应 AU 相关性学习方法，通过在网络的不同阶段高效利用不同级别的 AU 运动和情感表示信息，自适应地学习和更新 AU 相关图，并结合多尺度特征学习方法，实现更强大的面部行动单元检测表现。
facial action unit detectionau correlation learningself-adjusting au-correlation learningmulti-scale feature learningau detection benchmark datasets
发现论文，激发创造
  • 使用注意力和关系学习进行面部动作单元检测

    本文提出了一种基于深度学习的端到端注意力关系学习框架，用于面部动作单元（AU）检测。通过自适应地学习通道和空间注意力以选择和提取与 AU 相关的局部特征，并进一步捕获 AU 的像素级关系以提炼更多相关的局部特征，该方法在 AU 检测和强度估计方面均优于目前最先进的方法，并能在严重的遮挡和大姿态下工作。

    Aug, 2018

  • 多尺度动态和分层关系建模用于面部运动单元识别

    本文提出了一种综合模型多尺度面部动作单元相关的动态和分层时空关系，以实现面部动作单元的发生识别。实验结果表明，该方法在面部动作单元发生识别领域具有新的最先进水平。

    Apr, 2024

  • 深度自适应关注：面部动作单元检测和人脸对齐

    本文提出了一种新颖的端到端深度学习框架以实现联合的面部动作单元检测和面部对齐任务，并通过在本地和全局特征中添加关注学习模块以提取精确的局部特征，在 BP4D 和 DISFA 基准测试上取得了显著的性能优势。

    Mar, 2018

  • 学习对比特征表示用于面部动作单元检测

    通过引入一种增强的对比学习框架并结合监督和自监督信号，以获取具有区分性的特征，本研究通过样本采样、重加权策略以及损失函数 AUNCE 等方法，针对面部运动单元（AU）检测中困扰的像素级学习问题、标签噪音和 AU 类型不平衡等挑战，取得了优于最先进方法的优秀性能。

    Feb, 2024

  • 面部动作单元检测深度模型的快速有效适应

    本文介绍了一个基于深度学习和元学习的人脸动作单元检测方法，可以在处理新的任务（新的单元或主体）时快速地适应，并在 BP4D 和 DISFA 数据集上通过测试，证明使用少量标记样本即可实现模型的适应。

    Sep, 2019

  • 多标签面部动作单元检测的时空线索建模

    提出了一种基于混合网络体系结构的面部动作单元检测方法，可同时处理面部表情解码中的三个问题：空间表示，时间建模和 AU 相关性。

    Aug, 2016

  • 面部动作单元识别的深层结构推理网络

    本文提出了一种基于深度神经网络的面部表情识别算法，通过学习局部和全局特征，以及类似于图推理方法的消息传递算法，显著提高了在 BP4D 和 DISFA 数据集上的表现。

    Mar, 2018

  • 基于多维边缘特征的面部表情动作单元关系图学习

    本文提出了一种基于深度学习的 AU 关系建模方法，通过学习多维边特征与节点特征来描述面部表情不同组合之间的关系特征，从而实现更准确的 AU 识别。我们在 BP4D 和 DISFA 数据集上的实验结果表明，我们的方法不仅在各项识别指标上取得最优结果，而且可以轻松嵌入到不同的模型中。

    May, 2022

  • 基于动态图卷积和语义对应学习的面部表情动作单元强度估计

    本论文提出了一种新的学习框架，通过建立特征映射之间的语义对应关系自动学习 AU 之间的潜在联系，从而实现面部动作单元的强度估计，其中语义对应卷积模块（SCC 模块）可以提高特征的可辨识性，并且在两个基准数据集上展现了显著的性能优越性。

    Apr, 2020

  • 面部动作单元自监督区域和时间辅助任务识别

    本文提出了一种基于自监督学习方法的区域和时序辅助任务学习框架（RTATL），通过考虑面部动作单元（AU）的属性，设计了 RoI 修复和基于单张图像的光流估计两个辅助任务，以更好地捕捉 AU 的局部特征、相互关系和运动线索，并在 BP4D 和 DISFA 数据集上进行了广泛的实验，在 AU 识别方面取得了最新的最优性能。

    Jul, 2021