一、论文地址
https://arxiv.org/abs/2203.13052
二、数据集
三、任务和动机
文章的任务是根据视频中面部的微表情、肌肉等特点来判断情绪。
参考以往的工作,情绪主要划分成7个类别,这里算上other就是8类。其中有4种情绪(anger、disgust、fear、sadness)区分的难度比较大,一方面是因为这些数据相对于积极情绪的数据更难获取,另一方面是因为不同的人在标注标签时可能会发生混淆。
所以作者提出把这4种情绪打包成negative。图片首先经过Coarse Net被区分成5类,如果判别为非negative类的,就直接返回标签。如果判定为negative类了,再通过Negative Net更加细致地进行区分。所以他的思路是,先把简单的区分出来,比较容易混淆的,再经过一层网络进行区分。这个同时也解决了数据不均衡的问题(negative的各类数据都相对比较少)。
作者的第二个创新点是SP Module。首先,视频需要处理成序列帧。但是其他的一些工作是对各个帧独立进行判断(分类),这样就忽视了它们在timeline上的联系。尤其是对于一些帧数比较高的,如果每一帧都去进行独立预测,可能相邻几帧会得到不同的结果。所以他采取一个策略。取一个window。以第i帧的feature map为例,[i