面部感知和情感理论的基础研究无法完成,没有大量的注释数据库的情感面部表情的图像和视频序列[7].
一些最有用和通常需要的注释是行动单位(AU),AU强度和情感类别[8].
虽然中小型数据库可以由专家编码人员在几个月内手动注释[11,5],但是大型数据库不能。
例如,即使可以通过一个非常快的方式注释每个脸部图像
专家编码器(例如20秒/图像),编码一百万张图片需要5,556小时,这可以转换为694(8小时)的工作日或2.66年的不间断工作。
有时可以管理这种复杂性,例如,在图像分割[18]和对象分类[17]中,因为每个人都知道如何使用
可以使用最少的说明和在线工具(例如,Amazon的Mechanical Turk)来招募大量的人员。
但是,AU编码需要具体的专业知识,需要数月才能学习和完善,因此需要替代解决方案。
这就是为什么近年来,已经有许多计算机视觉算法提供了AU注释的全自动或半自动方法[20,10,22,2,26,27,6].
现有算法的主要问题是它们无法识别所有应用程序的所有必需的AU,不指定AU强度,太空计算和/或使用大型数据库的时间,或仅在数据库内测试
?(即使当使用多个数据库时,通常在每个数据库内独立进行培训和测试)。
本文描述了一种新的计算机视觉算法,用于识别通
一些最有用和通常需要的注释是行动单位(AU),AU强度和情感类别[8].
虽然中小型数据库可以由专家编码人员在几个月内手动注释[11,5],但是大型数据库不能。
例如,即使可以通过一个非常快的方式注释每个脸部图像
专家编码器(例如20秒/图像),编码一百万张图片需要5,556小时,这可以转换为694(8小时)的工作日或2.66年的不间断工作。
有时可以管理这种复杂性,例如,在图像分割[18]和对象分类[17]中,因为每个人都知道如何使用
可以使用最少的说明和在线工具(例如,Amazon的Mechanical Turk)来招募大量的人员。
但是,AU编码需要具体的专业知识,需要数月才能学习和完善,因此需要替代解决方案。
这就是为什么近年来,已经有许多计算机视觉算法提供了AU注释的全自动或半自动方法[20,10,22,2,26,27,6].
现有算法的主要问题是它们无法识别所有应用程序的所有必需的AU,不指定AU强度,太空计算和/或使用大型数据库的时间,或仅在数据库内测试
?(即使当使用多个数据库时,通常在每个数据库内独立进行培训和测试)。
本文描述了一种新的计算机视觉算法,用于识别通