GCF: 图卷积网络用于面部表情识别

Jul, 2024

GCF: 图卷积网络用于面部表情识别

GCF: Graph Convolutional Networks for Facial Expression Recognition

Hozaifa Kassab, Mohamed Bahaa, Ali Hamdi

TL;DR该研究提出了一种名为 GCF 的新方法，利用图卷积网络进行面部表情识别，通过将卷积神经网络用于特征提取，并结合图卷积神经网络层，有效提高了识别准确率，对 CK+，JAFFE 和 FERG 等数据集进行了评估，并证明了 GCF 方法在捕捉微妙面部表情方面的有效性，为人脸表情识别的实际应用提供了更高的准确性和稳健性。

Abstract

facial expression recognition (FER) is vital for understanding interpersonal communication. However, existing classification methods often face challenges such as vulnerability to noise, imbalanced datasets, overfitting, and generalization issues. In this paper, we propose GCF, a novel

facial expression recognition graph convolutional networks convolutional neural networks feature extraction benchmark datasets

发现论文，激发创造

基于卷积神经网络和条件随机场的时空面部表情识别

本文提出了一种基于深度卷积神经网络和条件随机场模型的视频面部表情识别方法，该模型从面部图像中提取空间信息和视频帧之间的时间关系，并在三个公共数据库上进行了实验证明，该模型在跨数据库实验中表现出色，并在主体独立实验中获得与现有模型相当的成果。

Mar, 2017

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

基于增强式深度 3D 卷积神经网络的人脸表情识别

本篇研究提出了在视频中进行情感识别的 3D 卷积神经网络方法，使用 3D Inception-ResNet 层及 LSTM 单元，从面部图像中提取空间关系和不同帧之间的时间关系，并利用面部关键点作为输入，该方法在四个公开数据库上的表现超过了现有最先进技术。

May, 2017

基于改进的图卷积网络的面部表情恢复

本文提出了一种基于生成对抗网络的新型面部表情恢复方法，结合了改进的图卷积网络和区域关系建模块，旨在通过面部行为单元检测，解决包括修复和超分辨率等面部生成任务，并在 BP4D 和 DISFA 基准上进行了大量实验，定量和定性地证明了我们提出的方法的有效性。

Oct, 2019

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

GraphCFC: 一种基于有向图的跨模态特征补充方法，用于多模态对话情感识别

通过构建跨模态特征补充的有向图模型，利用多个子空间提取器和配对交叉模态补充策略，设计了一种直接的基于图神经网络的跨模态情感识别模块 (GraphCFC)，并测试表明该模块在情感识别任务上表现优于目前最先进的方法。

Jul, 2022

利用遗传算法进行面部表情识别的神经架构搜索

本研究提出一种基于遗传算法的编码解码机制来自动进化卷积神经网络进行面部表情识别，实验结果表明其在 CK + 和 FERG 数据集上取得了最佳结果，在 JAFFE 数据集上也有竞争力。

Apr, 2023

可学习的图卷积网络和特征融合用于多视角学习

本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架，该框架旨在从异构视角中学习潜在的特征表示，并探索可区分的图融合，通过 Learnable Graph Convolutional Network and Feature Fusion (LGCN-FF) 方法能够有效地提高多视图半监督分类的准确度。

Nov, 2022

基于特征注意力的图卷积网络实现噪声鲁棒性学习

本文提出了一个处理节点内容嘈杂且稀疏的特征关注图卷积学习框架，采用长短期记忆网络学习每个节点的密集表示，引入特征 - 注意机制，允许相邻节点学习和变化特征重要性，并使用基于谱的图卷积聚合过程，该方法在不同噪声水平下表现出优于现有方法的性能。

Dec, 2019

图卷积在推荐系统中的效果如何？

本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型，在三个知名数据集上实验表明，GF-CF 与基于深度学习的方法相比性能更强，在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。

Aug, 2021