- 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。
- 自适应时间动作引导的图卷积网络用于微表情识别
提出了一种名为自适应时间运动引导图卷积网络(ATM-GCN)的微表情识别框架,该框架在整个剪辑中捕获帧之间的时间依赖关系,从而增强了剪辑级别的微表情识别能力。实验证明,ATM-GCN 不仅在 Composite 数据集上超过现有的最先进方法 - 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。
- RMES: 使用 Riesz 金字塔相位进行实时微表情检测
提出了一个使用浅层卷积神经网络进行小表情识别的框架,其中运动由 Riesz Pyramid 计算的相位来表示,相比于光流法,其提供了更局部的运动估计,使得小表达识别性能更高,并且降低了 77.8%的计算量,达到了在两个公共数据集上的最新性能 - 神经形态事件驱动的面部表情识别
本文介绍了新型事件相机对于人脸情绪识别的应用以及介绍一个 NEFER 数据集,经过实验证明,采用 NEFER 数据集和神经形态学的方法可以更有效地分析人脸微小而难以察觉的表情和它们所隐藏的情感。
- 基于视频的面部微表情分析:数据集,特征和算法调查
该研究论文系统概述了基于视频的微表情分析,讨论了其神经心理学基础、数据集、特征、算法、应用和评估,之后提出了一个更完整的、适用范围更广的数据集,并进行了方法比较和未来研究方向的展望。
- ICE-GAN: 基于图推理的身份感知和胶囊增强型 GAN 用于微表情识别与合成
本文提出了一种基于生成对抗网络的方法 (ICE-GAN),加入微表情合成作为辅助任务以辅助微表情的自动识别,并在微表情相关挑战赛中获得了比冠军高出 12.9% 的成绩。
- MM用于识别自发微表情的时空循环卷积神经网络
本研究提出了一种利用深度循环卷积神经网络进行微表情识别的方法,该方法能够捕捉微表情序列的时空变化,相对于现有的其他方法,该方法表现更为优异。
- AAAI视频中的欺诈检测
提出一种针对真实法庭审判视频中隐蔽自动欺诈检测的系统,该系统利用从图像、声音和文本三个层面得到的低级和高级特征预测人类微表情,其中,IDT 特征 和 MFCC 特征也对系统性能提供了重要帮助,系统在经过交叉验证的数据集上的 AUC 为 0. - 自发微妙情绪动力学中的稀疏性分析与应用
本研究利用稀疏性约束对微表情的面部动态进行分析,剔除不相关的动态,从而简化微表情识别的挑战。结果表明,保留原始序列中的显著动态,可以提升自动微表情识别的性能。
- 朝向读取隐藏情绪:自发微小表情检测和识别方法的比较研究
该研究利用特征差异对长视频中自发微表情进行识别,并提出了自动微表情分析系统,该方法超出了人类在微表情识别任务上的表现且能胜任较具挑战性的任务。