人脸表情系列：论文阅读——Facial Expression Recognition by De-expression Residue Learning

最新推荐文章于 2021-05-11 18:09:30 发布

burning_planet

最新推荐文章于 2021-05-11 18:09:30 发布

阅读量1.6k

点赞数 2

分类专栏： Machine Learning Deep Learning

本文链接：https://blog.csdn.net/lynlindasy/article/details/100123119

版权

该博客探讨了一种表情识别的方法，通过de-expression residue learning分离面部的表达成分和中性成分。这种方法利用cGAN生成无表情图像，并通过残差学习提取表情特征。网络结构包括cGAN和后续的CNN表情分类器。实验表明，不同尺寸的特征映射对于表情信息的保留有不同效果，且concatenate后的再次分类提高了识别准确性。尽管生成图像存在一些边界模糊的问题，但表情部分的识别效果良好。

摘要由CSDN通过智能技术生成

task是表情识别，将一张图像视为两部分组成：expressive component和neutral component。从一张图像中生成该个体的无表情图像称为de-expression learning procedure，则这个过程中逐步抛掉的就是expressive component。既然是抛掉的部分，如何使用呢？本文借助同尺寸的两组feature maps，得到两者间的差也就是被抛掉的expressive component，这就是残差学习/residue learning的意思。

该方法着重解决了identity information给表情识别带来的问题，因为生成的图像和输入图像仅在表情上有所改变，无论是图像整体的光照还是个体的面部信息，都未发生改变，这样用于识别的残差就受这些因素影响很小。

网络结构如下图所示：