Sep, 2024

知识增强的面部表情识别与情感到中性转化

HTML
PDF
TL;DR本研究解决了现有面部表情识别方法中对不同表情情感概念的监督限制。我们提出了一种新颖的知识增强面部表情识别方法，通过将面部表情表示与文本嵌入之间的相似性进行匹配，并引入情感到中性的转化。实验表明该方法在多种预训练视觉编码器上的表现显著优于现有的最先进技术。
发现论文，激发创造
  • 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

  • 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

  • 通过去色素和亲和力学习修正面部表情表示

    本研究提出了一种新的模块，名为“Amending Representation Module (ARM)”，可有效增强面部表情识别的性能，通过减少侵蚀特征权重和简化表征学习两个方向，克服了卷积填充引起的侵蚀问题，获取更准确的面部表情识别结果。

    Mar, 2021

  • TransFER: 使用Transformer学习关系感知的面部表情表示

    提出TransFER模型，在面部表情识别中使用多头自注意力且随机选择模块，有效地学习富含关系感知的局部表征，实验结果显示其性能优于现有方法。

    Aug, 2021

  • 利用对比预训练的主动学习进行面部表情识别

    深度学习在面部表情识别方面发挥了重要作用，但标记数据获取需要巨大人力和财力投入，研究发现已有的主动学习方法在面部表情识别上表现不佳，为解决该问题，提出了对比自监督预训练方法，通过两步骤的方法，相较于随机采样提高了9.2%的准确度。

    Jul, 2023

  • 彻底搜索：解决不平衡的面部表情识别中的额外知识

    提出了一种新的面部表情识别方法，在不平衡的数据集中利用重新平衡的注意力图和重新平衡的平滑标签，使模型能够从所有训练样本中提取与次要类别相关的变换不变信息，并在不平衡的面部表情识别任务中取得了最先进的性能。

    Oct, 2023

  • 面部表情识别的视觉不变表示的对比学习

    本文提出了一种基于对比学习的新颖视角不变的面部表情识别框架ViewFX，能够准确分类面部表情，无论输入的观察角度如何。该方法利用自监督对比损失来学习表情的视角不变特征，同时引入有监督对比损失来使学得的特征与其他表情区分开。经过实验验证，该方法在公开多视角面部表情识别数据集KDEF和DDCF上表现优于以往的方法，成为了新的最佳方法，并且在面对具有挑战性的观察角度和训练样本标签数目时具有较低的敏感性。同时，还进行了详尽的敏感度和消融实验，评估了模型不同部分的影响以及对不同参数的敏感性。

    Nov, 2023

  • 通过半监督预训练和时间建模探索面部表情识别

    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

  • 面部表情识别的情感掩码自编码器与注意融合

    创新方法集成了自我监督学习方法MAE-Face和融合注意机制，用于情感分类，通过提取关键面部特征以增强模型性能，特别是在ABAW第六次竞赛中展示，并在Aff-wild2数据集上得到显著验证。

    Mar, 2024

  • 静态和动态情感的面部表情识别综述

    本研究针对面部表情识别（FER）领域在从受控实验室环境向复杂现实场景转变过程中所面临的挑战，提供全面的综述。论文系统回顾了静态和动态FER方法，提出了应对主要挑战的新颖思路，并通过分析最新进展和基准表现，突出该领域未来的发展方向与潜在影响。

    Aug, 2024