May, 2024

FaceMixup: 通过混合面部规范化增强面部表情识别

PDF
TL;DR基于混合面部组件规范化的简单而全面的面部数据增强方法在面部表情识别中优于文献中的经典数据增强方法，包括 MixAugment
deep learningdata augmentationfacial expression recognitionface data augmentationmixed face component regularization
发现论文，激发创造
  • 数据增强和迁移学习应用于面部表情识别

    通过使用数据增强技术和生成对抗网络模型，将初步训练的卷积神经网络与不同架构的预训练模型的方法应用于面部表情识别任务，使得模型的泛化能力得到提高，从而实现对面部表情的自动识别，准确率达到 85%。

    Feb, 2024

  • 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

  • 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

  • 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

  • FRA：一种新的面部表示增强算法用于人脸识别

    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

  • 人脸数据增强概述

    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

  • 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

  • 基于混合模型的实时情绪识别与预测

    本研究提出了一种结合深度卷积神经网络（DCNN）和 Haar Cascade 深度学习架构的混合模型，用于将实时和数字面部图像分类到七种面部表情类别之一。实验结果表明，与其他模型相比，该架构在分类性能上具有显著优势，并且准确率高达 70％，执行时间短，为 2098.8 秒。

    Jun, 2022

  • MixCut：人脸表情识别的数据增强方法

    通过使用 MixCut 方法进行数据增强，本研究在面部表情图像识别中实现了 85.63% 和 87.88% 的分类准确率，相较于 CutOut，Mixup 和 CutMix 等三种数据增强方法分别提高了 0.59%，0.36%，0.39% 和 0.22%，0.65%，0.5% 的分类准确率。

    May, 2024

  • 通过半监督预训练和时间建模探索面部表情识别

    我们提出了一种半监督学习技术来生成未标记面部数据的表情类别伪标签以解决有限 FER 数据集的泛化能力问题，并采用均匀抽样和去偏反馈学习策略来应对数据集中的类别不平衡问题和半监督学习中的数据偏差问题。此外，引入了时间编码器来学习和捕捉静态图像之间的临近表情特征的时间关系，并在第 6 届 ABAW 竞赛中在官方验证集上取得了优秀的成绩，充分证实了我们提出方法的有效性和竞争力。

    Mar, 2024