Sep, 2024

行为4全：野外面部行为分析工具包

HTML
PDF
TL;DR该研究针对现有面部行为分析工具的不足，提出了一个综合性的开源工具包Behavior4All，集成了面部定位、情感估计、基本表情识别和动作单元检测。研究结果表明，该工具在性能和公平性方面优于当前最先进的工具，且在未见数据库上的表现更具一般化能力，对复合表情的识别速度显著提高。
发现论文，激发创造
  • 4DFAB：用于生物特征应用的大规模4D面部表情数据库

    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

  • 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

  • 情感、表情、动作单元识别：Aff-Wild2，多任务学习和ArcFace

    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

  • 一张网络里的表情、情感和动作单元：面部行为随心定制

    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

  • 野外情感分析：愉悦度-唤起度、表情、动作单元和统一框架

    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

  • Py-Feat: Python面部表情分析工具箱

    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

  • 移动设备人脸表情、价值、唤起和动作单元的帧级预测

    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

  • LibreFace: 深度面部表情分析的开源工具包

    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

  • 通过整合多模态知识进行情感行为分析

    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

  • 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