Mar, 2024

利用合成数据进行通用且公平的面部行为单元检测

PDF
TL;DR通过使用合成数据和多源领域自适应方法解决已标记数据稀缺和性别多样性问题，本文提出了一种基于面部表情再目标化方法的面部动作单元检测模型，并采用配对矩匹配方法来提高性别平等性，实现实现在真实环境中的面部动作单元检测。
facial action unit detectionsynthetically generated datamulti-source domain adaptationmodel fairnessgender fairness
发现论文，激发创造
  • 3D 面部动作单元的有条件对抗合成

    本文提出了一种基于 3D 形态模型的面部图像综合框架，可以通过给定目标 AU 标签生成生成新的表情参数和面部图像来增强面部表情识别数据，并在基准 DISFA 数据集上表现出良好的增强效果和 AU 强度估计性能。

    Feb, 2018

  • 基于区域的面部动作单元对抗合成

    本文提出了一种面部动作单元（AU）级别的面部表情合成方法，使用基于 AU 注释的本地注意条件生成对抗网络（LAC-GAN）控制 AU 状态，并使用非配对训练数据训练操纵模块， 在常用的 BP4D 数据集上进行定量和定性评估以验证该方法的有效性。

    Oct, 2019

  • 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

  • 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

  • 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

  • 全局 - 局部表情嵌入辅助面部动作单元检测

    本研究旨在使用没有 AU 标签的表情数据集来促进 AU 检测，开发了一种名为 GLEE-Net 的新型 AU 检测框架，其中包括三个分支来提取独立于身份的表情特征，并通过 Transformer 多标签分类器来融合所有表示以进行 AU 检测。实验表明，该方法在 DISFA，BP4D 和 BP4D + 数据集上显著优于目前的最先进技术。

    Oct, 2022

  • 面部表情识别中理解和减轻注释偏差

    本文针对面部表情识别领域的标签偏差问题，提出了一种利用面部动作单元进行带有三元损失的 AU 校准面部表情识别（AUC-FER）框架，实验证明该方法比现有技术更有效。

    Aug, 2021

  • 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

  • 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

  • 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