- SKD-TSTSAN: 基于自知识蒸馏的三流时序偏移注意力网络用于微表情识别
本研究提出了一种基于自我知识蒸馏的三通道时延注意力网络(SKD-TSTSAN),用于提高微表情识别的性能,并在四个微表情数据集上展开实验,结果表明 SKD-TSTSAN 优于现有方法,并取得新的最优性能。
- 宏观到微观:通过在宏观表情视频上进行预训练来提升微表情识别
微表情识别是近年来备受关注的研究领域,在智能医学和骗术检测等方面具有潜在应用。然而,缺乏标注数据一直以来都是加强基于深度学习的微表情识别方法的主要障碍之一。本文提出了一种广义的转移学习范式,称为宏观表情到微表情(MA2MI)。在该范式下,网 - 层次化时空注意力在微表情识别中的应用
提出了一种基于 Hierarchical Space-Time Attention (HSTA) 的微表情识别方法,通过建立微表情视频帧与特定面部区域之间的联系以及跨模态数据的融合,实现了对微小的面部动作和情感的识别和分析。
- 元学习引导的微表情识别
提出了一种名为 LightmanNet 的双分支元辅助学习方法,用于快速和鲁棒的微表情识别,通过双分支双层优化过程,从有限数据中学习一般的微表情识别知识,进一步改进了模型的泛化和效率。
- 低分辨率微表情识别中的超分辨率实证研究
本文通过一系列的基准实验,在综合文献调研的指导下,集成了超分辨率和微表情识别方法,以解决超分辨率辅助微表情识别中的挑战,并揭示了相关问题的主要挑战和解决途径以推进更高效的超分辨率辅助微表情识别。
- 学习排名短时表情识别中的起始 - 出现 - 结束表征
本论文针对微表情识别进行了研究,提出了一种灵活可靠的深度学习方法,即学习排序发生 - 出现 - 消失表示 (LTR3O)。LTR3O 方法引入了一种称为 3O 的动态且缩小尺寸的序列结构,用于表示微表情,该结构便于对微表情的判别特征进行学习 - HTNet 微表情识别
面部表情与肌肉收缩相关,微表情识别中,肌肉运动通常是微妙的,对当前面部情感识别算法性能产生负面影响。本文提出了一种层次 Transformer 网络 (HTNet) 来识别关键的面部肌肉运动区域,通过局部时间特征和全局面部特征提取层组成。实 - 自适应位移生成和 Transformer 融合的微表情特征表示学习
本论文提出了基于特征表示学习的位移生成和 Transformer 融合(FRL-DGT)的新框架,用于微表情(ME)识别,实现了对 ME 特征提取和融合的有效学习,相比现有的方法,有了更好的准确度。
- CVPRMicron-BERT:基于 BERT 的面部微表情识别
本文提出了一种新的面部微表情识别方法 Micron-BERT,采用 Diagonal Micro-Attention 和 Patch of Interest 模块,在大规模无标注数据集上实现了高精度,并在 SAMM、CASME II、SMI - 使用可学习图结构和自适应 AU 约束的几何图形表示方法用于微表情识别
本文通过构建几何二流图网络、自学习机制和自适应动作单元损失函数,研究了人脸标志物对微表情识别的贡献。实验证明,本文提出的方法具有更高的效率和更低的计算成本,且人脸标志物对微表情识别有重要贡献,值得进一步研究高效的微表情分析。
- 特征精化:用于微表情识别的表情特征学习和融合方法
本文提出了一种新颖的特征细化方法(FR),该方法包括表情提议模块和基于光流的启示模块,可以提取特定表达式的突出和有区别的特征,并通过表情特定特征的融合来预测表情,实验证实了其在不同协议下的有效性。
- 使用模型和数据压缩揭示复合数据库的微表情识别中的隐形信息
本文提出了一种基于 RCN 的微表情检测算法,该算法通过将模型和数据降低复杂性来缓解深度模型在复合数据库任务中性能下降的问题,同时引入无需学习的模块进一步提高了算法的表现。经过 MEGC2019 数据集的验证,该算法排名领先。
- OFF-ApexNet 微表情识别系统
本文介绍了一个使用卷积神经网络、optical flow features 等技术来实现面部情感微表情识别的方法,并在三个数据库上进行了全面的评估,结果表明该方法在识别微小的情感细节方面表现优越。