Feb, 2024

学习对比特征表示用于面部动作单元检测

PDF
TL;DR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。
facial action unit detectioncontrastive learning frameworkself-supervised signalnoisy au labelsimportance re-weighting strategy
发现论文，激发创造
  • 人脸动作单元检测的个体无关对比学习

    本研究提出了一种自监督对比学习方法，从大量未标注的面部视频中学习面部动作单元的表示，以解决缺乏数据的问题，并通过跨身份重建机制学习人物无关的表示。实验结果表明，所学习的面部动作单元表示对于动作单元检测具有较好的区分度，并且在自监督和有监督的动作单元检测方法之间显著减小了性能差距。

    Mar, 2024

  • 利用人脸动作单元和正样本对比损失函数减轻面部表情识别中的偏差

    本研究探讨如何通过使用对特定任务相关的特征来缓解机器学习模型中可能存在的受保护属性偏差，通过基于面部动作单元的正匹配对比损失学习样本之间的距离，该方法在面部表情识别系统中表现出更佳的公平性。

    Mar, 2023

  • 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

  • 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

  • 自监督表示下的面部动作单元检测和强度估计

    本研究介绍了一种使用自监督学习方法的面部表情识别模型 MAE-Face，该模型在只 Fine-tune 1% 的数据集的情况下也可以取得较好的 AU 检测和 AU 强度估计结果.

    Oct, 2022

  • 多尺度推进的自适应相关学习用于面部动作单元检测

    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。

    Aug, 2023

  • 通过联合学习面部关键点检测和领域分离与重构来提升面部动作单位检测

    提出了一种新的 AU 检测框架，其中引入了多任务学习，通过共享同构面部提取模块的参数来共同学习 AU 领域分离和重建以及面部标志检测。此外，提出了一种基于对比学习和改进的对比损失的新特征对齐方案，通过添加四个中间监督器来促进特征重建过程。在两个基准测试上的实验结果表明，对于野外 AU 检测，我们优于现有的方法。

    Oct, 2023

  • 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

  • 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

  • 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