Mar, 2024

一种基于多尺度特征融合的轻量级注意力深度网络用于多视角面部表情识别

PDF
TL;DR通过引入轻量级的关注网络，以及多尺度特征融合，本研究的主要目标是克服在实际应用中计算复杂性和多视角头部姿势方面所面临的挑战，该方法在参数数量和对姿势变化的鲁棒性方面达到了业界先进方法的水平。
convolutional neural networksfacial expression recognitionattentional networkmulti-scale feature fusionpose variation
发现论文，激发创造
  • MFA-Net：肝肿瘤分割的多尺度特征融合注意力网络

    一个基于注意力机制的新型切割框架 MFA-Net（多尺度特征融合注意力网络）在医学 CT 图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明 MFA-Net 在不同尺度的图像上产生更加精确的分割。

    May, 2024

  • 关注尺度：尺度感知的语义图像分割

    本论文研究了怎样在卷积神经网络中实现多尺度特征表示，提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验，证明了该方法的有效性。

    Nov, 2015

  • PMFSNet：极化多尺度特征自注意网络用于轻量级医学图像分割

    带有少于 100 万个参数的模型，PMFSNet 在各种分割任务中实现了卓越的性能，同时避免了较大模型中的计算冗余。

    Jan, 2024

  • 带有注意力机制的双通道多尺度融合网络用于人群计数

    本文提出了一种名为 SFANet 的新型双路径多尺度融合网络架构，其中包括一种注意力机制，可以在高度拥挤的人群场景中执行精确的计数估计以及提供高分辨率密度地图。该网络包括 VGG 骨干卷积神经网络和双路径多尺度融合网络，可生成高质量的高分辨率密度地图，并在多个数据集上表现出最佳性能。

    Feb, 2019

  • 基于多注意力的超轻量级图像超分辨率

    本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

    Aug, 2020

  • 单图像超分辨率轻量级特征融合网络

    该研究提出一种轻量级特征融合网络 (LFFN)，利用主轴块和 softmax 特征融合模块 (SFFM) 来实现全面探索多尺度上下文信息、极大地降低网络参数而最大化单幅图像超分辨率 (SISR) 结果。

    Feb, 2019

  • MFPNet: 轻量级语义分割的多尺度特征传播网络

    我们提出了一种新颖的轻量级分割架构，名为多尺度特征传播网络 (MFPNet)，通过设计具有柔性瓶颈残差模块的鲁棒的编码器 - 解码器结构，探索深入且丰富的多尺度语义上下文，同时利用图卷积网络 (GCNs)，在瓶颈残差模块之间进行多尺度特征传播，最终在基准数据集上表现出优异的分割结果。

    Sep, 2023

  • AFNet-M：自适应融合网络与面部表情识别的 2D+3D 面部表情识别

    本研究提出了一种自适应融合网络，利用人脸显著区域的掩码来增强 2D 和 3D 局部特征，通过设计的调制向量自动学习，以及计算重要性权重的新型融合策略可以在卷积层中执行自适应融合。实验结果表明，该方法在 BU-3DFE 和 Bosphorus 数据集上具有最先进的性能并且需要较少的参数。

    May, 2022

  • 紧凑的双重融合网络用于边缘检测

    本文提出了一种紧凑型次级融合网络 (Compact Twice Fusion Network, CTFN)，其中包括语义增强模块 (Semantic Enhancement Module, SEM) 和伪像素级加权模块 (Pseudo Pixel-level Weighting, PPW) 以完全整合多尺度特征，以及一种名为动态聚焦损失的新型损失函数，可用于处理纹理噪声干扰带来的分类挑战，在三个数据集上评估，CTFN 在参数和计算成本上均优于现有最先进方法。

    Jul, 2023

  • 基于轻量级神经网络的多任务学习的面部表情和属性识别

    本研究探讨轻量级卷积神经网络的多任务学习，用于识别人脸和分类面部属性（年龄，性别，种族），并在没有距离边缘的剪裁人脸上进行训练，需要微调这些网络以预测面部表情；使用 MobileNet、EfficientNet 和 RexNet 架构提出了几种模型，并在 UTKFace 数据集上证明了它们接近最新的年龄、性别和种族识别结果，在 AffectNet 数据集的情感分类上也表现出色；此外，展示了将已训练的模型用作视频帧中面部区域的特征提取器，其识别精度比以前已知的情感分类挑战的单一模型高 4.5％。

    Mar, 2021