本论文介绍了4DFAB这个新的大型动态高分辨率3D人脸数据库的构建与多种应用,包括但不限于面部表情识别、行为生物特征识别、强力面部行为混合形状参数化模型的学习等,该数据库可公开获取以作进一步研究目的。
Dec, 2017
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
这篇文章介绍了Aff-Wild2这一大型野外数据库,以进行情感识别,通过CNN和CNN-RNN架构的视觉和音频模型,实现了情感识别任务的最先进性能,并使用ArcFace损失函数训练各种新的网络,并取得较与现有技术相比,更好的效果
Sep, 2019
该论文介绍了FaceBehaviorNet这个多任务深度学习框架,并利用5M张公共数据集,成功地将自然环境中的人脸行为分析的三个识别任务(特征表情识别、连续情感估计和面部动作单元检测)结合了起来,同时提出了两种有效的联合学习策略,对大量无标注数据的少样本学习场景也具有良好的泛化能力。
Oct, 2019
本文介绍了利用深度学习方法对情感进行分析与识别的相关研究,以及在真实情境下(in-the-wild)数据上进行大规模情感分析所需深度神经网络的架构设计,并提出了一种基于多任务学习和整体框架的方法,通过改进现有的情感识别技术来提高情感识别效果。
Mar, 2021
本文介绍了一个名为Py-Feat的开源Python工具包,该工具包支持检测、预处理、分析和可视化面部表情数据,以便领域专家将计算机视觉模型传播和基准化,并使最终用户快速处理、分析和可视化面部表情数据。
Apr, 2021
本文提出了一种基于单个预训练AffectNet的EfficientNet模型提取面部特征的新颖的帧级情感识别算法,可以实现移动设备上的实时视频人脸情感分析,在第三届野外情感行为分析(ABAW)竞赛的大规模Aff-Wild2数据集上,与VggFace基线相比,我们的简单模型在单任务表情分类、趋势-觉醒估计和表情分类的验证集中的性能指标高0.15-0.2,由于简单性,我们的方法可以被视为四个子挑战的新基准。
Mar, 2022
通过使用深度学习模型和开源工具LibreFace,我们能够实现面部表情分析,从而有效和准确地分析面部表情,并实现实时交互应用。
Aug, 2023
通过利用各种数据集和方法设计,我们可以在自然环境中全面评估情感行为分析技术的真实性和适用性,从而实现情感智能技术,使设备能像人类一样理解和反应我们的情感。
Mar, 2024
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