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。