静态和动态情感的面部表情识别综述
本文综述了关于自动RGB,3D,热成像和多模式面部表情分析的研究,定义了新的分类法并描述和分类了最先进的方法,同时呈现了重要数据集和基准测试。作者对当前的趋势、重要问题和未来研究方向进行了总结讨论。
Jun, 2016
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
该研究提出了一个新的动态人脸表情数据库(DFEW)和一种基于聚类表情空间时间特征学习(EC-STFL)框架的解决方案,用于实现 'in-the-wild'条件下的人脸表情识别技术。实验结果表明,EC-STFL可以改善现有时空深度神经网络在处理动态FER方面的性能。
Aug, 2020
本文介绍了最近的一个研究项目,针对静态图像表情的识别,构建了一个大规模的视频多场景数据集FERV39k,为FER算法的性能评估提供了一个更实际的场景,提出了一种融合三个方面构建这种数据集的方法,并提供了四种基线框架的实验基准和对其在不同场景下性能的进一步分析,为未来的研究提出了一些挑战性问题。
Mar, 2022
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
通过静态-动态模型 (S2D) 结合面部标志感知特征和基于情感锚点的自蒸馏损失函数,提高了动态面部表情识别性能并达到了最先进水平。
Dec, 2023
面部表情识别的软基准的提出,重点关注模型的校准问题和应对分布偏移。通过提供包含模糊性和信息损失的软标签,改进了模型评估方法,展示了对五种最先进的面部表情识别算法的校准效果。
Dec, 2023
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
这篇研究论文介绍了FER-YOLO-Mamba模型,它是一个用于面部表情图像识别和定位的视觉Mamba模型,结合了Mamba和YOLO技术的原理,进一步设计了FER-YOLO-VSS双分支模块,以提高识别性能。
May, 2024
本研究解决了动态面部表情识别(DFER)中常规方法未能充分利用静态表情图像及其标签的问题。提出的UniLearn方法通过自监督预训练和联合微调整合静态与动态数据,显著提升了模型的时空表征能力。实验结果表明,UniLearn在多个基准上达到了最先进的性能,展现了静态和动态信息互补的潜力。
Sep, 2024