GANmut: 生成和修改面部表情
本文提出了一种新的方法,用于合成面部情感,接受中性 2D 人脸图像、基本面部表情或 VA 头像建议,以及 2D VA 空间中的路径作为输入,采用 3D 可变模型,对中性人脸图像进行形变和添加颜色,使生成的面孔带有特定情感,用于数据增强和深度神经网络的联调。
Nov, 2018
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
这篇文章介绍了 Aff-Wild2 这一大型野外数据库,以进行情感识别,通过 CNN 和 CNN-RNN 架构的视觉和音频模型,实现了情感识别任务的最先进性能,并使用 ArcFace 损失函数训练各种新的网络,并取得较与现有技术相比,更好的效果
Sep, 2019
本文提出一种几何引导生成对抗网络 (G2-GAN),通过面部几何条件(标识点)来引导特定表情的面部纹理合成,实现逼真的与身份保护面部表情合成,并取得了良好的实验效果。
Dec, 2017
本论文针对情感分析的各个领域进行了研究,提出了基于神经网络的多任务学习方法,该方法有效地应用于 Aff-Wild 情感数据库的新注释部分并实现了良好的性能。
Nov, 2018
该论文提出一种基于 Action Units 注释的新颖 GAN 条件方案,允许控制每个 AU 的激活幅度并结合其中几个。此外,它还提出了一种完全无监督的训练策略,并利用注意力机制使网络对不断变化的背景和光照条件具有鲁棒性,能够比竞争性条件生成器更广泛地合成生理可行的肌肉运动的表情。
Jul, 2018
通过生成对抗网络(GANs)创建情感计算的刺激数据集,探索了一种替代传统数据集准备方法的方案,包括使用不同的 GAN 架构、数据增强和迁移学习技术,在情感计算的领域中显示出有希望的生成情感激发性的合成图像,为未来的研究和改进提供了重要的潜力。
Jun, 2024
eMotion-GAN 是一种深度学习方法,用于前视合成并保留面部表情,在处理头部姿势变化时显著提高面部表情识别 (FER) 系统的性能。
Apr, 2024
本文提出了一个基于游戏的数据采集框架,使用深度学习方法构建情感分类器,并以情感网络游戏为接口,自动采集带标签的情感图像。通过比较测试结果,说明由于数据规模大、平衡性好,该数据集可用于构建比 CIFE 训练得到的情感检测器更加稳健的情感检测器。
Jul, 2016
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