Mar, 2024

DrFER：学习面部表情三维识别的解耦表示

PDF
TL;DR创新的 DrFER 方法在 3D 人脸领域引入了概念上的解缠表示学习方法，通过使用双分支框架，有效地将表情信息与身份信息解耦，并通过重新配置损失函数和网络结构适应于点云数据，从而提高了框架在识别面部表情方面的能力，即使在涉及不同头部姿势的情况下，经过对 BU-3DFE 和 Bosphorus 数据集进行的广泛评估表明，DrFER 超过了其他 3D FER 方法的性能。
facial expression recognitiondisentangled representation learningdrfer method3d facial domainpoint cloud data
发现论文，激发创造
  • 深度面部表情识别研究综述

    深度神经网络在面部表情识别中的应用、数据集和算法，针对过拟合和灯光、头部姿态等问题，分析和总结静态和动态图像序列的最新模型和性能，并探讨未来的发展方向和挑战。

    Apr, 2018

  • 利用深度神经网络深入进行面部表情识别

    提出了一种深度神经网络构架，可在多个公共面部数据库上进行面部表情识别，并且在精度和训练时间上优于传统卷积神经网络和现有方法。

    Nov, 2015

  • 基于增强式深度 3D 卷积神经网络的人脸表情识别

    本篇研究提出了在视频中进行情感识别的 3D 卷积神经网络方法，使用 3D Inception-ResNet 层及 LSTM 单元，从面部图像中提取空间关系和不同帧之间的时间关系，并利用面部关键点作为输入，该方法在四个公开数据库上的表现超过了现有最先进技术。

    May, 2017

  • 有效面部表情识别的特征分解与重建学习

    本文介绍了基于特征分解和重构学习的新型面部表情识别方法，通过特征分解网络和特征重构网络的使用，实现了更好的表情识别效果。

    Apr, 2021

  • 在野外使用平衡数据集进行的深度面部表情识别基准测试

    基于大规模 FER 数据集的广泛实验和实践交叉验证，本文对多种网络架构进行排名，并给出了在真实情景中应用深度 FER 方法的一些推荐。此外，还讨论了实际 FER 应用中的潜在道德规范，隐私问题和法规。

    Nov, 2023

  • 面部表情识别的动态分辨率指导

    本文介绍了一种名为动态分辨率引导面部表情识别（DRGFER）的实用方法，该方法能够在分辨率不同的图像中有效地识别面部表情，而不会影响面部表情识别模型的准确性。该方法包括两个主要组成部分：分辨率识别网络（RRN）和多分辨率适应面部表情识别网络（MRAFER）。RRN 确定图像分辨率，输出一个二进制向量，而 MRAFER 根据分辨率将图像分配给适合的面部表情识别网络。我们在广泛使用的 RAFDB 和 FERPlus 数据集上评估了 DRGFER，结果显示我们的方法在每个分辨率上保持了最佳模型性能，并且优于其他分辨率方法。所提出的框架对分辨率变化和面部表情具有鲁棒性，为实际应用提供了有前途的解决方案。

    Apr, 2024

  • MMA-DFER: 适应多模态单模型的野外动态面部表情识别

    探讨使用自我监督学习方法进行多模态动态面部表情识别的研究，并提出了解决该任务中的主要挑战以及相应解决方案，最终在 DFEW 和 MFAW 两个常用的动态面部表情识别基准数据集上实现了超过当前最先进方法的改进。

    Apr, 2024

  • 从静态到动态：针对视频中面部表情识别的适应性地标感知图像模型

    通过静态 - 动态模型 (S2D) 结合面部标志感知特征和基于情感锚点的自蒸馏损失函数，提高了动态面部表情识别性能并达到了最先进水平。

    Dec, 2023

  • 3D 人脸形状的解耦表示学习

    本文介绍了一种设计三维人脸形状表征的新策略。通过将面部形状分解为身份部分和表情部分进行非线性编码和解码，利用属性分解框架对三维面孔网格进行表示，以更好地表示通常在彼此之间非线性变形的面孔形状。实验结果表明，我们的方法在分解身份和表情部分方面比现有方法表现更好，而且可以使用我们的方法获得更自然的表情转移结果。

    Feb, 2019

  • 多视角配对条件随机森林实现的动态姿态稳健的面部表情识别

    本文提出了一种使用条件随机森林从视频中捕捉表情变化的低级表达式转换模式的方法，通过对影片中每个前一帧生成的树进行预测，并通过时间平均来获得鲁棒性估计，进而提升面部表情分类的性能及精度。

    Jul, 2016