面部表情识别论文记录2

Facial Expression Recognition With Deeply-Supervised Attention Network

没找到开源代码

框架

这篇论文认为不同的国家的人，面部表情的表现不一样。
在阶段（a）中，注意力机制是人口统计感知的，所以网络基于人口统计知识（种族、性别或年龄）关注面部的信息区域。
在阶段（B）中，引入表情类别驱动注意以增强所选特征的区分能力，从而提高FER性能。

Facial Expression Recognition Using Hierarchical Features With Deep Comprehensive Multipatches Aggregation Convolutional Neural Networks

没找到开源代码

框架

提出了ETI-pooling策略来修改CNN的典型结构，形成CNN模块。然后用该CNN模块对原图和原图中的部分补丁进行提取特征，然后聚合进行分类。

Geometry Guided Pose-Invariant Facial Expression Recognition

没找到开源代码

框架

网络E的功能是提取几何向量f（gt），生成器G被设计为编码器-解码器结构来生成新的人脸图像x.具体地，Genc用于学习从输入图像到身份特征表示f（x）的映射。然后将表示与目标几何嵌入f（gt）级联以馈送到Gdec以用于面部改变。网络Datt被用于区分真实的人脸图像和生成的人脸图像，这有助于从潜在空间中的人脸图像中分离出姿态、表情和身份，以改变属性（姿态和表情）但保留身份。采用网络Di来控制身份特征f（x）的分布，并平滑姿态和表情变换，这可以提高生成的图像的质量，并且已经在[66]中得到了有效的证明。分类器Cexp用于通过测量后验概率P（c）对表达式进行分类|x），其中c是x的表达式标签。

Local Relationship Learning with Person-specific Shape Regularization for Facial Action Unit Detection

没找到开源代码

框架

包括一个主干网络，一个局部关系学习模块（L-Net）和一个人特定的形状正则化模块（P-Net）。
移除CNN中的全局池化层，并直接使用来自卷积层的输出特征映射作为局部特征的表示。
LNet共同考虑局部区域的特征及其关系，并输出单个AU的概率。P-Net是用来模拟这样的人特定的信息的基础上的2D人脸形状。由P-Net编码的特征预期与由L-Net编码的特征无关，并且进一步用于计算正则化项以细化由L-Net预测的Au概率。因此，P-Net作为正则化模块来执行L-Net以学习用于Au检测的更多与主题无关的特征，并且通过P-Net改进的AU概率被用作我们的LP-Net的最终预测。