数据增强和迁移学习应用于面部表情识别
本文对情感识别中的流行深度学习方法进行了全面评估,发现语音信号中的长距离依赖对情感识别至关重要,而速率变换是获得最稳健性能提升的最佳数据扩增技术之一。
Nov, 2022
本文从转换类型和方法的角度系统地回顾了现有的人脸数据增强研究,特别关注于基于深度学习的方法,尤其是生成式对抗网络。研究结果表明,这些方法为丰富人脸训练集并提高其质量提供了更有效的工具,并提出了评价它们的指标及未来的挑战。
Apr, 2019
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
通过 AI 技术的计算机视觉系统识别戴口罩人群的情感,提出了一个新的挑战。本研究提出了一种能够识别不同面具人群情感的面部情感识别系统,并采用了一种新的数据增强技术来改善模型的性能。通过对四种面具类型的每张面部图像进行训练,评估了四个卷积神经网络(Alexnet,Squeezenet,Resnet50 和 VGGFace2)的效果。实验结果显示,与单面具模式相比,我们的模型在多面具模式下的效果更好。其中,VGGFace2 网络在使用 JAFFE 数据集时的人员相关模式的准确率最高,为 97.82%,人员独立模式的准确率为 74.21%。然而,我们使用 UIBVFED 数据集评估了我们的模型。Resnet50 在人员相关模式下表现出了优越的性能,准确率分别为 73.68% 和 59.57%。此外,我们采用了精确度、敏感度、特异性、AUC、F1 值和混淆矩阵等指标来详细衡量我们系统的效率。此外,还使用了 LIME 算法来可视化 CNN 的决策策略。
Dec, 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
提出了一种基于 StyleGAN 模型的面部表情迁移方法,通过优化过程和线性组合方案将两个输入脸部图像的外观属性和表情属性实现合并,从而在不需要几何注释的情况下生成高质量、准确的面部表情合成结果。
Dec, 2019
本文提出了一种新的数据扩充算法 (Face Representation Augmentation,FRA),通过操纵面部表示学习算法生成的面部嵌入来生成新的嵌入,从而改善人脸识别算法的训练过程并提高识别准确率。
Jan, 2023
本文研究了人脸表情识别中的偏见与公平性问题,并对三种不同的方法在两个不同数据集上进行了比较,结果表明,使用数据增强的属性感知方法和解缠方法比基线方法更具准确性和公平性,在减轻人口统计学偏见方面,解缠方法是最好的选择。
Jul, 2020
本研究旨在提高文本情感分类在 GoEmotions 数据集上的性能,解决在自然语言处理中检测微妙情感的挑战,并为未来研究提供有价值的见解和方向,包括合成该领域不同数据集上的方法和性能的综述论文的潜力。
Mar, 2024