元学习引导的微表情识别
微表情识别是近年来备受关注的研究领域,在智能医学和骗术检测等方面具有潜在应用。然而,缺乏标注数据一直以来都是加强基于深度学习的微表情识别方法的主要障碍之一。本文提出了一种广义的转移学习范式,称为宏观表情到微表情(MA2MI)。在该范式下,网络可以通过重建未来帧来学习表示微妙的面部运动。此外,本文还提出了一种两支路微动作网络(MIACNet),用于解耦面部位置特征和面部动作特征,帮助网络更准确地定位面部动作位置。在三个常用的微表情识别基准上进行的大量实验证明了我们方法的优越性。
May, 2024
本研究提出了一种新的端到端 AU 导向的图分类网络,使用深度学习技术和 GCN 层探测 AUs 之间的依赖关系,以识别微表情,实验结果表明我们的方法优于 CNN-based。
Apr, 2020
通过属性信息嵌入和跨模态对比学习,基于微表情序列的 RGB 和 FLOW 特征提取和 BERT 网络提取文本信息,实现面部微表情识别,并在 CASME II 和 MMEW 数据库上进行了广泛实验,准确率分别为 77.82% 和 71.04%。与其他方法相比,该方法具有更好的微表情识别效果。
May, 2022
本文通过构建几何二流图网络、自学习机制和自适应动作单元损失函数,研究了人脸标志物对微表情识别的贡献。实验证明,本文提出的方法具有更高的效率和更低的计算成本,且人脸标志物对微表情识别有重要贡献,值得进一步研究高效的微表情分析。
May, 2022
该研究论文系统概述了基于视频的微表情分析,讨论了其神经心理学基础、数据集、特征、算法、应用和评估,之后提出了一个更完整的、适用范围更广的数据集,并进行了方法比较和未来研究方向的展望。
Jan, 2022
本文提出了一种基于 Transformer 网络的多模态多尺度算法,通过微表情的运动和纹理两种特征完全学习微表情的局部多粒度特征,实现了不同尺度脸部局部区域特征的提取并在三个自然数据集上进行了综合实验。结果表明,该算法在单个测量 SMIC 数据库中的准确度高达 78.73%,在合并数据库的 CASMEII 上的 F1 值高达 0.9071,处于领先水平。
Jan, 2023
该研究利用特征差异对长视频中自发微表情进行识别,并提出了自动微表情分析系统,该方法超出了人类在微表情识别任务上的表现且能胜任较具挑战性的任务。
Nov, 2015
本论文提出了基于特征表示学习的位移生成和 Transformer 融合(FRL-DGT)的新框架,用于微表情(ME)识别,实现了对 ME 特征提取和融合的有效学习,相比现有的方法,有了更好的准确度。
Apr, 2023
提出了一种基于 Hierarchical Space-Time Attention (HSTA) 的微表情识别方法,通过建立微表情视频帧与特定面部区域之间的联系以及跨模态数据的融合,实现了对微小的面部动作和情感的识别和分析。
May, 2024
提出了一个使用浅层卷积神经网络进行小表情识别的框架,其中运动由 Riesz Pyramid 计算的相位来表示,相比于光流法,其提供了更局部的运动估计,使得小表达识别性能更高,并且降低了 77.8%的计算量,达到了在两个公共数据集上的最新性能。
May, 2023