通知:这篇推文有10篇论文速递信息,涉及人脸表情识别、人脸替换、3D人脸重建、Re-ID、目标检测和目标跟踪等方向
人脸
[1]《Deep Structure Inference Network for Facial Action Unit Recognition》
Abstract:面部表情是称为行动单位(AU)的基本组件的组合。 识别AU是开发常规面部表情分析的关键。 近年来,自动AU识别中的大部分努力致力于学习局部特征的组合,并利用动作单元之间的相关性。 在本文中,我们提出了一种深度神经网络架构,通过在初始阶段结合学习的局部和全局特征来解决这两个问题,并在类之间复制类似于后面阶段的图形模型推理方法的消息传递算法。 我们证明,通过增加监督来端对端地训练模型,我们分别提高了BP4D和DISFA数据集的5.3%和8.2%的性能水平。
arXiv:https://arxiv.org/abs/1803.05873
[2]《Deep Adaptive Attention for Joint Facial Action Unit Detection and Face Alignment》
Abstract:面部动作单元(AU)检测和面部对齐是两个高度相关的任务,因为面部标志可以提供精确的AU位置,以便于为AU检测提取有意义的局部特征。大多数现有的AU检测工作经常将面对齐作为预处理并独立处理这两个任务。在本文中,我们提出了一种新颖的端到端深度学习框架,用于联合AU检测和人脸对齐,这在以前没有探讨过。特别是首先学习多尺度共享特征,并将高层次的人脸对齐特征引入AU检测。此外,为了提取精确的局部特征,我们提出了一种自适应注意力学习模块,以自适应地优化每个AU的注意力图。最后,组合的局部特征与面部对齐特征和用于AU检测的全局特征集成。对BP4D和DISFA基准的实验表明,我们的框架明显优于AU检测的最先进方法。
arXiv:https://arxiv.org/abs/1803.05588