神经形态学价值和唤起估计
本文介绍了新型事件相机对于人脸情绪识别的应用以及介绍一个 NEFER 数据集,经过实验证明,采用 NEFER 数据集和神经形态学的方法可以更有效地分析人脸微小而难以察觉的表情和它们所隐藏的情感。
Apr, 2023
本文提出了一种基于单个预训练 AffectNet 的 EfficientNet 模型提取面部特征的新颖的帧级情感识别算法,可以实现移动设备上的实时视频人脸情感分析,在第三届野外情感行为分析(ABAW)竞赛的大规模 Aff-Wild2 数据集上,与 VggFace 基线相比,我们的简单模型在单任务表情分类、趋势 - 觉醒估计和表情分类的验证集中的性能指标高 0.15-0.2,由于简单性,我们的方法可以被视为四个子挑战的新基准。
Mar, 2022
本文提出了一种新的方法,用于合成面部情感,接受中性 2D 人脸图像、基本面部表情或 VA 头像建议,以及 2D VA 空间中的路径作为输入,采用 3D 可变模型,对中性人脸图像进行形变和添加颜色,使生成的面孔带有特定情感,用于数据增强和深度神经网络的联调。
Nov, 2018
本论文介绍了利用预训练的深度模型在静态照片上提取可靠情感特征的可能性,并通过多任务场景中的轻量级模型来识别面部表情、价值和唤起。实验结果表明,与现有的非集成技术相比,我们的方法显著提高了验证集上的质量指标。
Mar, 2024
神经形态传感器是一类模仿生物视觉系统功能的成像设备,通过连续产生代表视野中光强或动态变化的事件,具有高时间分辨率和低延迟,对人脸建模具有重要意义和隐私保护视角。本文综述神经形态人脸分析领域的能力、挑战和新兴应用,勾勒出有前途的研究方向和待解决问题。
Feb, 2024
该研究收集并准备公开发布了一个名为 AffectNet 的数据库,包含 100 多万张网络图片,其中大约半数手动注释了 7 种离散面部表情和不同情绪模型的愉悦和唤起度强度,并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。
Aug, 2017
通过探索深度学习体系结构在持续情感识别方面的应用,我们提出了一种新颖的三流端到端深度学习回归流程,其中包含一个注意力机制,该机制是基于多个最先进的动作识别系统的子模块的一种组合设计。定量分析表明,所提出的模型优于情感识别和动作识别模型的多个标准基线。
Mar, 2024
通过使用 Vision Transformer 和 Transformer 模型,该研究关注情感的 Valence-Arousal 估计、各种面部表情的识别和基础肌肉运动的动作元的检测,提出了一种基于 Transformer 的新框架来最大化对时间和空间特征的理解,并引入了基于随机帧遮罩的学习技术以及针对不平衡数据的 Focal 损失的应用,增强了情绪和行为分析在实际场景中的准确性和适用性,预计对情感计算和深度学习方法的发展有所助益。
Mar, 2024
本文研究使用深度神经网络模型准确预测电影观众观看电影时所体验到的人类情感,其中包括来自 RGB 视频帧的视觉提示,涵盖声音、语音和音乐的听觉组件,以及包含演员对话的语言元素。
Jun, 2023
本论文针对情感分析的各个领域进行了研究,提出了基于神经网络的多任务学习方法,该方法有效地应用于 Aff-Wild 情感数据库的新注释部分并实现了良好的性能。
Nov, 2018