程序媛

论文：Weakly-Supervised Unconstrained Action Unit Detection via Latent Feature Domain源码：https://github.com/ZhiwenShao/ADLD复现结果：采用BP4D作为source database,EmotioNet作为dest database训练弱监督（–mode=‘weak’）模型,在E...

通过训练通用的对象估计方法来产生一组候选对象窗口，能够加速传统的滑动窗口对象检测方法。我们观察到一般对象都会有定义完好的封闭轮廓，而且通过将相关图像窗口重置为固定大小，就可以通过梯度幅值进行区分。基于以上的观察以及复杂度的考虑，为了明确训练方法，我们将窗口固定为8*8的，并将梯度幅值转化为一个简单的64维的特征来描述这个窗口。 我们进一步说明这个二值化赋范特性（BING）,它可以很有效的用于一般对象估计。而且只需要一些原子操作（例如加法，按位移动等），我们使用的是PASCAL VOC 2007数据集，这

好记性不如烂笔头，记录一下重点部分，方便以后查找 有AU标记的数据集：CK+，DISFA，BP4D 有关AU检测的文章整理1，ICCV 2015 HSHTL， Ruiz A, Weijer J V D, Binefa X. From Emotions to Action Units with Hidden and Semi-Hidden-Task Learning[C]// I...

原文：https://arxiv.org/abs/1704.030672017，CVPR上面的，最近重新读了一遍，之前没有细读。 文章中说的三大贡献分别是Region Adaptation(针对区域region的ROI Nets) ; Multi-labeling Learning(多AU一起学习); Optimal Temporal Fusing(时序信息)我理解这篇文章优势在以...

3DCNN参数解析：2013-PAMI-3DCNN for Human Action Recognition参数分析Input：7 @ 60 ×\times× 40， 7帧，图片大小60 ×\times× 40hardwired： H1产生5通道信息，分别是gray, gradient-x, gradient-y, optflow-x, optflow-y。前三个对于每一张图片都计算得...