Jul, 2024

通过双向注意力混合特征网络提升面部表情识别技术：应用于第七届ABAW挑战

HTML
PDF
TL;DR利用双向注意力混合特征网络进行多任务面部表情识别，我们在第七届ECCV ABAW挑战赛中取得了远远超过多任务ABAW挑战赛基线的结果，并展示了该网络同时处理多任务的能力，提供了其设计理念的见解。
发现论文，激发创造
  • 一种多任务学习与生成框架：情感价值-唤起度、动作单位和基本表情

    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

  • 深情感：利用注意力卷积网络进行面部表情识别

    该文介绍了针对面部表情识别问题，提出了一种基于注意力卷积网络的深度学习方法，并采用可视化技术确定了识别不同情绪对应的重要面部区域，相比先前的模型在多个数据集上都取得了明显的改进。

    Feb, 2019

  • 第二届ABAW2比赛中用于多任务情感识别的先前辅助流网络

    该研究提出了一种利用多任务流网络和先进面部表情嵌入的方法，在面对不同的情感表示时，有效地进行情感自动识别。

    Jul, 2021

  • 分散注意力：多头交叉注意力网络用于面部表情识别

    我们提出了一种新的面部表情识别网络，称为分心网络（DAN）。我们的方法基于两个关键观察结果。首先，多个类别共享内在相似的面部外貌，它们的差异可能很细微。其次，面部表情通过多个面部区域同时展示出来，并且需要通过编码局部特征之间的高阶交互的全面方法来识别。为了解决这些问题，我们提出了我们的DAN，并通过三个关键部分构建了它。经过广泛实验验证，在包括AffectNet、RAF-DB和SFEW 2.0在内的三个公共数据集上，该方法始终实现了最先进的面部表情识别性能。

    Sep, 2021

  • HSE-NN队参加第四届ABAW比赛：多任务情感识别与学习合成图像

    本篇论文主要探究了利用多任务学习技术，在静态照片上进行面部表情、愉悦度和唤起度的识别。在使用合成数据学习的挑战中，MT-EmotiEffNet 模型的学习效果得到了显著提高，同时在预训练集和微调集上进行的预测结果也取得了优异表现。

    Jul, 2022

  • 基于多任务学习的多情感描述符合集模型

    本文介绍我们在第四届野外情感行为分析竞赛中提交的方法，将提供的面部和面部周围背景的完整信息用于多任务学习挑战，使用InceptionNet V3模型提取深度特征，从而得出对情绪的分类和评估

    Jul, 2022

  • 第六届ABAW比赛中的HSEmotion团队：面部表情、情绪价值-唤醒度和情绪强度预测

    本论文介绍了利用预训练的深度模型在静态照片上提取可靠情感特征的可能性，并通过多任务场景中的轻量级模型来识别面部表情、价值和唤起。实验结果表明，与现有的非集成技术相比，我们的方法显著提高了验证集上的质量指标。

    Mar, 2024

  • 一种基于多尺度特征融合的轻量级注意力深度网络用于多视角面部表情识别

    通过引入轻量级的关注网络，以及多尺度特征融合，本研究的主要目标是克服在实际应用中计算复杂性和多视角头部姿势方面所面临的挑战，该方法在参数数量和对姿势变化的鲁棒性方面达到了业界先进方法的水平。

    Mar, 2024

  • 基于多架构编码器和特征融合的面部情感识别——ABAW7挑战赛

    本文介绍了我们在第七次 ABAW 比赛中应对挑战的方法。比赛包括三个子挑战：情绪价值（VA）估计、表情（Expr）分类和动作单元（AU）检测。为了解决这些挑战，我们采用了先进的模型来提取强大的视觉特征。随后，我们利用 Transformer 编码器来整合这些特征，用于 VA、Expr 和 AU 子挑战。为了减轻特征尺寸变化的影响，我们引入了一个仿射模块，将特征对齐到一个公共维度。总体上，我们的结果明显优于基线。

    Jul, 2024

  • 第7届ABAW挑战赛上的HSEmotion团队：多任务学习与复合面部表情识别

    基于多任务学习的面部表情识别、情绪价值-唤醒估计的轻量级神经网络方法，结合高斯或滑动窗口平滑处理以提高准确性和关联系数。

    Jul, 2024