基于深度学习的表情动作单元识别综述

小蒋的学习笔记

已于 2023-11-29 12:56:59 修改

阅读量214

点赞数 1

分类专栏：深度学习文章标签：深度学习

于 2023-11-29 12:55:52 首次发布

桂林电子科技大学计算机与信息安全学院蒋熹煜

本文链接：https://blog.csdn.net/qq_61735602/article/details/134681138

版权

深度学习专栏收录该内容

54 篇文章 3 订阅

订阅专栏

论文标题：基于深度学习的表情动作单元识别综述
作者：邵志文1，2，周勇1，2，谭鑫3，马利庄3，4，刘兵1，2，姚睿1，2
发表日期：2022 年8 月
阅读日期：2023 年 11 月 30
研究背景：
基于深度学习的表情动作单元识别是计算机视觉与情感计算领域的热点课题 . 每个动作单元描述了一种人脸局部表情动作，其组合可定量地表示任意表情. 当前动作单元识别主要面临标签稀缺、特征难捕捉和标签不均衡3个挑战因素. 基于此，本文将已有的研究分为基于迁移学习、基于区域学习和基于关联学习的方法，对各类代表性方法进行评述和总结 . 最后，本文对不同方法进行了比较和分析，并在此基础上探讨了未来动作单元识别的研究方向.
方法和性质
基于迁移学习、基于区域学习和基于关联学习的方法
研究结果
创新点
数据
结论
挑战
标签稀缺、特征难捕捉和标签不均衡3个挑战因素
研究展望
（1）已有基于迁移学习的工作尚无法有效地解决标签稀缺性挑战. 未来可以采取融合多种策略的方式：①将具有AU标签的样本作为源样本，利用GAN将无标签目标样本的表情编辑为源表情，则其具有源样本的AU标签，这些新生成的目标样本提高了训练数据的多样性；②利用最新的人脸配准开源库对样本标注特征点，同时结合具有整体表情标签的数据集，挖掘特征点、整体表情与 AU 间关联性，促进 AU 识别；③将自监督学习、有监督学习、域适应多种方法综合起来，利用自监督学习从无标签样本中学习 AU 本质属性的特征表示，利用有监督学习从具有 AU 标签的样本中学习AU识别模型，利用域适应使得其他域训练的模型可以被应用于当前域.
（2）当前的 AU 识别模型在对多个 AU 同时预测时仍易于偏向提升出现频率较高AU的精度，以及偏向将AU预测为不出现，标签不均衡性依然严重限制着AU识别的精度. 可选的解决方案为：①利用GAN进行数据扩增，尽量使所生成的数据集在每个AU的出现与不出现频率、不同AU间的出现频率方面保持均衡；②借鉴已有的处理长尾分布等不均衡数据的方法，对不均衡的 AU标签分布进行建模，充分挖掘不同AU间的关联关系.
（3）现有的工作主要关注受控环境，更接近实际应用场景的非受控AU识别的相关研究仍较少. 未来可从以下角度切入非受控环境的研究：①研究受控域到非受控域的AU迁移方法，利用具有AU标签的受控域数据集生成新的非受控域样本，扩增非受控域训练数据；②提高方法对不同头部姿态的鲁棒性，可以定位3D的人脸特征点、构造UV 映射、计算3D人脸表面的测地距离，这些辅助信息都可以加到深度神经网络中，在输入、中间的特征提取或者后置处理环节提升 AU识别的精度；③利用特征解耦方法将光照、姿态、遮挡等信息从 AU 特征中分离，实现光照无关、姿态无关、遮挡无关的AU识别.
（4）当前的 AU 数据集具有样本规模小且多样性低、标签稀缺且不均衡、缺乏非受控样本等不足 . 未来可以构建一个规模大、样本多样性丰富、AU 标注全面的非受控环境数据集. 由于对AU进行人工标注的成本很高，在标注的过程中，可以基于主动学习（ActiveLearning）［94~96］，从一个具有人工标注的小训练集开始，训练模型并对未标注样本进行预测，然后基于预测结果选择信息最丰富、存在出现频率较低AU的未标注样本进行人工标注，再将新标注的样本加入训练集并更新模型，重复上述步骤直至被训练的模型在测试集上的性能已收敛或已满足精度要求，这样可以保证有限的标注成本用在最需要的样本上.
重要性
写作方法：