动态表情识别

已于 2024-04-23 21:17:47 修改
阅读量1.9k 收藏 35
点赞数 23
文章标签： 论文阅读
于 2024-03-08 21:06:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43296217/article/details/136572067
版权

Intensity-Aware Loss for Dynamic Facial Expression Recognition in the Wild

(Li 等, 2023, p. 67) (pdf) 🔤野外动态面部表情识别的强度感知损失🔤
#AAAI2023
GitHub - muse1998/IAL-for-Facial-Expression-Recognition: Dynamic Facial Expression Recognition

[!motivation]
SFER 数据集的标注，表情的强度均匀，且比较高；而 DFER的数据表情的强度是不均匀的，有大有小，而标注是不含有强度相关信息。模型平等的对待每一个 sample, 就会导致类内误差大，类间误差小

Pasted image 20231224175534

[!method]
global convolution-attention block (GCA)

  • 调整low-sample 的特征图的通道，抑制无用的通道，增强重要的通道
  • Pasted image 20231224185119
    Pasted image 20231224175544

Intensity-aware Loss
L I A = − l o g ( P I A ) L_{IA}=-log(P_{IA}) LIA​=−log(PIA​)
P I A = e x

最低0.47元/天 解锁文章
qq_43296217
关注
【人脸表情识别】LBP+SVM脸部动态特征人脸表情识别【含GUI Matlab源码 1369期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
01-18 251
LBP+SVM脸部动态特征人脸表情识别 完整的代码，方可运行；可提供运行操作视频！适合小白！
表情识别数据集
lanlin的博客
03-20 1407
CREMA-D 是一个情感多模态演员数据集，包含来自 91 位演员的 7,442 个原始剪辑。这些片段来自 48 名年龄在 20 至 74 岁之间的男性演员和 43 名女性演员，他们来自不同的种族和民族（非裔美国人、亚洲人、高加索人、西班牙裔和未指明的人）。演员们从12句话中选出。这些句子使用六种不同的情绪（愤怒、厌恶、恐惧、快乐、中性和悲伤）和四种不同的情绪水平（低、中、高和未指定）中的一种来呈现。参与者根据组合的视听呈现、视频和音频对情绪和情绪水平进行评分。
论文阅读：Rethinking the Learning Paradigm for Dynamic Facial Expression Recognition【CVPR2023】
小刘的博客
10-22 836
​ MIL流水线通常包括四个步骤：实例生成、实例特征提取、实例聚合和分类。​ 在DFER的情况下，所提出的M3DFEL框架遵循该步骤：利用3DCNN从生成的3D-instances中提取特征并学习短期时间关系。DLIAM是用来模拟长期的时间关系，同时动态融合的实例到一个包。为了保持包级和实例级的时间一致性，引入了DMZ（动态归一化）。
深度动态序列人脸表情识别——论文笔记
zichen7055的博客
07-12 1万+
原文已上传Deep Facial Expression Recognition： A Survey （IEEE） 人脸表情识别分为动态序列识别和静态图片识别，本文只与动态序列有关这里也有一篇推送解析的这篇文章，但是不全，很多提到的文章没有翻译，不过只作为概览的话倒是可以深度学习 + 动态序列人脸表情识别综述研究背景与意义人脸表情识别已经成为一个人机交互领域的研究热点，涉及到心理学、统计学、生物学、...
DFER-CLIP——使用创新视觉语言模型进行动态面部表情识别
知来者逆的博客
04-25 2407
本文提出了一种新的视觉语言模型 DFER-CLIP，用于露天（野外）动态面部表情识别。 在视觉部分，以 CLIP 图像编码器为基础，引入了一个由多个 Transformer 编码器组成的时间模型，模拟随时间变化的面部表情特征。在文本部分，采用了与面部行为相关的面部表情描述符，这些描述符由大规模语言模型（如 ChatGPT）生成。我们还为这些描述符设计了可学习的上下文，以帮助模型在训练过程中学习每个面部表情的相关上下文信息。
DFER-CLIP：动态面部表情识别的视觉-语言模型
gitblog_00970的博客
09-14 1205
DFER-CLIP：动态面部表情识别的视觉-语言模型 项目地址:https://gitcode.com/gh_mirrors/df/DFER-CLIP 项目介绍 DFER-CLIP 是一个基于 CLIP 模型的视觉-语言模型，专门设计用于在野外环境下的动态面部表情识别（Dynamic Facial Expression Recognition, DFER）。该项目由 Zengqun Zhao 和 ...
matlab 动态识别,基于matlab脸部动态特征的人脸表情识别程序
weixin_35253177的博客
03-20 791
【实例简介】通过训练jaffe数据库，实现识别人脸高兴、惊讶、恐惧、生气等六种表情，并圈出。可调用电脑摄像头实时监测。内附有使用说明，可以使用。仅供学习参考。【实例截图】【核心代码】fdf564c5-f35e-4dc3-b0c9-c320f463838b└── 基于脸部动态特征的人脸表情识别程序├── 程序运行说明及运行环境.docx└── 附录：基于脸部动态特征的人脸表情识别程序├── DSLB...
用于动态表情识别的深度学习可变形面部动作部位模型
03-03
本研究提出了一种用于动态表情识别的深度学习可变形面部动作部位模型。具体来说，该研究在3D卷积神经网络（3DCNN）框架中加入了一个可变形部位学习组件，该组件能够在结构化的空间约束下检测到特定的面部动作部位，...
融合特征基于深度多核学习的动态表情识别.pdf
08-19
在动态表情识别领域，一个不断进化的技术难题是如何处理高维特征数据，并从中提取和融合不同类型的特征以达到更准确的识别效果。为解决这一挑战，学术界不断探索新的算法和方法。《融合特征基于深度多核学习的动态...
【菜鸡读论文】Former-DFER: Dynamic Facial Expression Recognition Transformer
猫猫头的博客
11-06 1335
哈喽，大家好呀！本菜鸡又来读论文啦！先来个酷炫小叮当作为我们的开场！粉红爱心泡泡有没有击中你的少女心！看到这么可爱的小叮当陪我们一起读论文，是不是感觉瞬间充满动力了呢！突然想到下次确实可以搞一个漂亮妹妹的动图，让漂亮妹妹陪我们一起读论文，不知道大家有没有什么好建议呢！不知不觉！今天竟然是冬至了！感觉时间真的过得好快，在我们老家，冬至应该吃饺子，不过我也是突然想起来这回事，因为我早上起的太晚了，竟然睡到快11点才醒。
基于matlab脸部动态特征的人脸表情识别程序
03-21
通过训练jaffe数据库，实现识别人脸高兴、惊讶、恐惧、生气等六种表情，并圈出。可调用电脑摄像头实时监测。内附有使用说明，可以使用。仅供学习参考。
开源动态表情识别算法Emotion-recognition
图像算法Imalg的博客
07-09 6085
就了解，有几家做脸部特征识别的算法公司都顺利拿到了VC投资， 因此我们可以看到表情识别的前景还是非常广泛。 举例，识别上课学生动态表情，可识别20种人类情绪，并在其中选出8种情绪进行应用：正面情绪“高兴”；负面情绪“厌恶、悲伤、疑惑、轻蔑、愤怒”；中性情绪“专注、惊讶”,通过这些特征点我们可以后台分析学生的录孩子上课注意力情况，以及心理情绪等， 好吧开始我们今天的主角，一款...
论文阅读：Intensity-Aware Loss for Dynamic Facial Expression Recognition in the Wild（AAAI2023）
小刘的博客
11-21 466
与基于图像的静态人脸表情识别（SFER）任务相比，基于视频序列的动态人脸表情识别（DFER）任务更接近自然表情识别场景。然而，DFER往往更具挑战性。其中一个主要原因是，特别是对于真实世界场景中的面部表情，而SFER中的图像经常呈现均匀且高的表情强度。然而，如果同等对待不同强度的表情，网络学习的特征将具有，这对DFER是有害的。为了解决这个问题，我们提出了，以帮助网络区分表达强度相对较低的样本。在两个野外动态面部表情数据集上的实验（即，DFEW和FERV39k）表明，我们的方法优于最先进的DFER方法。
【人脸表情识别】基于视频的人脸表情识别不得不读的论文
hacker_long的专栏
02-01 3292
上一篇专栏文章我们介绍了基于视频的人脸表情识别的相关概念，了解了目前基于视频的人脸表情识别领域最常用的几个数据集以及经典的实现方法。本文将延续上一篇的内容，分享近几年该领域一些主流的基于...
区间合并强度计算
最新发布
904897655
12-19 477
代码写的比较粗糙，还有较多可以优化地方，以下基本就可以输出测试用例了。
【论文阅读】Facial Expression Recognition in the Wild via Deep Attentive Center Loss
qq_42785704的博客
03-03 1614
这篇文章的重点在 “ 深度注意中心损失 ” 。 下面简要描述一下网络中下面分支的pipeline： 为输入的图像，经过CNN处理后，得到特征图。下面的分支进行如下处理：pooling layer处理后得到，是一个一维的特征向量，再将经过一个全连接层计算后得到表情的概率分布，最后计算分类softmax loss，也就是。 难点在于上面分支的理解，也就是sparse center loss如何计算。在介绍上面分支的pipeline之前，需要介绍一下什么叫中心损失。 中心损失的目标是...
目前开源数据集整理
热门推荐
人生而孤独，却不甘寂寞。
06-09 5万+
Attention! 我的Dr.Sure项目正式上线了，主旨在分享学习Tensorflow以及DeepLearning中的一些想法。期间随时更新我的论文心得以及想法。 Github地址：https://github.com/wangqingbaidu/Dr.Sure CSDN地址：http://blog.csdn.net/wangqingbaidu 个人博客地址：http://www.wa...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值