Jun, 2024

多阈值深度度量学习的面部表情识别

PDF
TL;DR利用多阈值深度度量学习技术，通过提取不同阈值下的表情特征表示，可以大幅提高面部表情识别准确性。通过将嵌入层划分为一组切片，并采用多阈值深度度量学习算法，每个切片对应一个样本阈值，并通过对应的三元组损失进行学习，从而获得一组独特的表情特征，从而增强面部表情识别的准确性。在多个表情数据集上进行的实验评估显示了该方法的优越性能。
发现论文，激发创造
  • 面部表情识别场景中的三元组无损中心损失采样策略

    本文研究基于深度神经网络和三元组中心损失的面部表情识别方法，并探索三种负样本选择策略和一种选择性注意力模块以提高识别效果。在 RAF-DB 数据集上进行的实验表明，所提出的方法相对于基线方法在所有三种负样本选择策略上都有显着改进。

    Feb, 2023

  • 基于动态自适应阈值学习的鲁棒性面部表情识别

    通过动态阈值方法，从含无干扰样本的数据集中选择数据，以减少嘈杂注释对面部表情识别深度学习的影响。同时，该研究还构建了一个无监督的同步 loss 机制使其能够学习从所有的数据集中学习。

    Aug, 2022

  • 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

  • DrFER：学习面部表情三维识别的解耦表示

    创新的 DrFER 方法在 3D 人脸领域引入了概念上的解缠表示学习方法，通过使用双分支框架，有效地将表情信息与身份信息解耦，并通过重新配置损失函数和网络结构适应于点云数据，从而提高了框架在识别面部表情方面的能力，即使在涉及不同头部姿势的情况下，经过对 BU-3DFE 和 Bosphorus 数据集进行的广泛评估表明，DrFER 超过了其他 3D FER 方法的性能。

    Mar, 2024

  • 多视角 3D 物体检索的三元中心损失

    研究了在三维目标检测中，利用不同的深度度量学习方法来提高检索效果的效果，并针对性的提出了三种不同的模型评估方式 —— 三元组损失、中心损失和三元组 - 中心损失，进行了广泛的实验验证和效果评估，最终和已有领先算法进行了效果对比。

    Mar, 2018

  • 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

  • 使用三元组网络进行深度度量学习

    本文提出了三元组网络模型，通过距离比较来学习有用的表示方法，在多个数据集上的结果显示其比竞争对手孪生网络学习了更好的表示方法，而且还探讨了其作为无监督学习框架的未来可能用途。

    Dec, 2014

  • 基于多损失特征融合和前两名投票集成决策策略的野外面部表情识别

    本文针对野外表情识别（FER）中的图像质量问题，提出了一种同时应用特征融合和集成策略的解决方案。通过内部特征融合和多个网络的特征融合，以及集成策略，作者提出了一种新的单一模型（R18+FAML）和一种集成模型（R18+FAML-FGA-T2V），分别用于提高野外 FER 的性能。经过广泛实验验证，R18+FAML 和 R18+FAML-FGA-T2V 模型分别在三个具有挑战性的非平衡 FER 数据集上取得了优于当前最先进结果的准确率。

    Nov, 2023

  • 层次化三元组损失的深层度量学习

    本研究提出了一种新的分层三元组损失（HTL），通过编码全局上下文信息的定义的分层树自动收集有用的训练样本（三元组），以解决深度度量学习中的集束采样的主要限制。

    Oct, 2018

  • 多模态情感识别的多级 Transformer

    本文提出一种新的多层次转换器模型，将细粒度表示和预训练的话语级别表示相结合，结合不同的方法将音素级别嵌入与单词级别嵌入相结合，从而进行细粒度的多模式情感识别，最终在 IEMOCAP 数据集上，我们的模型均优于之前的最优方法。

    Oct, 2022