精读“使用浅卷积神经网络识别面部表情”

最新推荐文章于 2024-10-07 14:09:39 发布
最新推荐文章于 2024-10-07 14:09:39 发布
阅读量5k 收藏
点赞数 2
分类专栏： SCI文献阅读笔记 文章标签： cnn 深度学习 人工智能
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/weixin_46908370/article/details/123519847
版权

文献精读笔记

标题

2-使用浅卷积神经网络识别面部表情

作者

Simiao

期刊

IEEE

发表时间
最低0.47元/天 解锁文章
潇洒哥的羊皮卷
关注
专栏目录
【论文精读WACV_2023】FaceOff: A Video-to-Video Face Swapping System
zik的博客
01-09 1098
【Paper】【Code】【Project】论文贡献：(1)引入了V2V面部交换，这是一种新颖的面部交换任务，旨在交换源面部身份和表情，同时保留目标背景和姿势。(2) 提出 FaceOff：一种以自我监督方式训练的 V2V 换脸系统。FaceOff 通过合并两个不同的面部视频来生成连贯的视频。(3) 该方法在推理时直接作用于没见过的身份，无需任何微调。(4) 该方法不需要任何推理时间优化，推理时间不到一秒。(5)发布了V2VFaceSwap测试数据集，并为V2V换脸任务建立了基准。
【论文精读CVPR_2023】Face Transformer: Towards High Fidelity and Accurate Face Swapping
zik的博客
01-08 1216
【Paper】【Code暂无】这项工作的贡献是三重的。首先\textit{首先}首先，我们设计了 Face-Transformer，这是一个创新网络，通过将 Transformer 引入到换脸任务中来实现精确的换脸。转换器学习源面部和目标面部之间的语义感知对应关系，这有助于从源面部到目标面部的特征顺利转移。据我们所知，这是第一个为换脸任务引入 Transformer 架构的工作。第二\textit{第二}第二。
基于卷积神经网络的微表情识别研究需要注意的一些问题【未完待续】
chentanghui的博客
06-23 532
使用Python读取数据需要注意的问题： 输入网络的数据格式：（样本数，size，size，channel） TensorFlow：channel_first Theano：channel_last 读取图片：cv2.imread() 默认RGB 3通道，读取灰度图则加上cv2.IMREAD_GRAYSCALE 读取txt文件：file.read().splitlines() 去换行符 读取Excel中的数字，会将整数读成小数，因此数据应该使用文本类型存储，在Excel中数字前面加英文的逗号，再删去，
使用casme2数据集训练的微表情识别，支持摄像头、图片视频检测。.zip
12-24
图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测图像检测 图像检测图像检
Recognizing Micro-Expression in Video Clip with Adaptive Key-Frame Mining阅读笔记
zhuzyibooooo的博客
05-16 504
据我们所知，这是第一项旨在将视频剪辑中的信息时间子集的端到端学习与单个网络中的微表情识别相结合的工作。 此外，所提出网络中所有模块的设计都与输入视频剪辑的长度无关。 换句话说，网络容忍各种长度的微表情剪辑。 本文的贡献有三方面：继特征工程方法之后，过去三年见证了微表情研究对计算机视觉社区深度学习热潮的日益增长的反应。 多项研究中使用了各种深度神经网络。 在没有手工特征工程的情况下，端到端神经网络模型能够通过从大量高维（和低级表示）数据中学习来进行分类或预测 [23]。 对于微表情的研究，已经努力从更广泛的计
Micro-expression recognition with supervised contrastive learning基于监督对比学习的微表情识别
weixin_55768678的博客
10-14 2140
面部微表情是面部肌肉的不自主运动，暴露了个人的潜在情绪。由于面部肌肉变化的微妙性和多样性，提取有效的特征来识别微表情是一个挑战。本文提出了一个有监督的对比学习（MER-Supcon）的微表情识别框架，其主要目的是提取微表情的关键特征，并克服不相关的面部运动引起的噪音。首先，提出了一种新的双终端微表情采集策略，并应用于获得光流图，旨在扩大数据集并减少微表情斑点的不利影响。然后，引入监督下的对比学习来学习微表情的关键表征进行分类。
Micro-Expression Classification based on Landmark Relations with Graph Attention Convolutional Networ
m0_59155639的博客
11-24 495
本文提出了一种新的方法，该方法利用了特征点和给定特征点的光流patch之间的关系。它由一个双流图注意卷积网络组成，该网络使用光流patch提取特征点和局部纹理之间的关系。建立了一个图结构，使用三个帧引出时间信息。一个流用于节点特征位置，另一个流用于光流patch信息。这两个流(节点信息流和光流流)被融合用于分类。
阅读“微表情识别系统上的OFF-ApexNet”
weixin_46908370的博客
04-06 3375
文献精读笔记 标题 3-微表情识别系统上的OFF-ApexNet 作者 Sze-Teng Lionga , Y.S. Ganb, , Wei-Chuen Yauc , Yen-Chang Huangd , Tan Lit Ken 期刊 SCI 发表时间 2019.5 具体研究内容...
表情识别论文阅读——Island Loss for Learning Discriminative Features in Facial Expression Recognition
heruili的博客
03-30 2957
Island Loss for Learning Discriminative Features in Facial Expression Recognition 作者在CenterLoss的基础上，提出了一个新的Loss，在关注类别的类内距离的同时，优化类间距离，使得每个类别拥有更大的margin,从而迫使网络能够学习到更具判别性的特征。 在过去几年中，卷积神经网络（CNNs）已经在面部表情识别...
微表情识别CASME2数据集
12-02
如题，请访问文档中的地址下载微表情识别CASME2数据集。
从模型搭建到训练，手把手教你Tensorboard可视化训练数据——tensorflow2.0及其以上版本
Just_do_myself的博客
07-04 3696
dansd
神经网络如何识别图像,神经网络图像识别原理
aifamao3的博客
08-19 3631
3、基于MATLAB语言的网络训练与仿真建立并初始化网络% ================S1 = 24;在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记住各个数字的形象，网络权值就是网络记住的内容，网络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。
微表情识别相关数据集及获取地址、微表情识别数据集、微表情数据集
Kansas_Jason的博客
09-09 9636
使用数据集需要自己签订协议，给作者发送邮件下载，所以由于版权的问题，在这里就只能提供相关的下载地址和方法，并没有直接把数据集放在这 SMIC:http://www.cse.oulu.fi/SMICDatabase SAMM数据集：http://www2.docm.mmu.ac.uk/STAFF/M.Yap/dataset.php CASME 、CASME2、CAS(ME)^2 :http:.........
深度动态序列人脸表情识别——论文笔记
热门推荐
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、...
ade20k 街景图像【数据集】及其【论文出处】ADE20K数据集 超过25000张图像的语义分割数据集
阿利同学的博客
10-04 822
ade20k 街景图像【数据集】及其【论文出处】ADE20K数据集是一个包含超过25000张图像的语义分割数据集，这些图像被密集注释，覆盖室内和室外场景。 它由MIT发布，包含100个事物类别和50个物质类别， 用于训练和验证的图像数量分别为20210和2000。 ADE20K数据集的特点包括丰富的场景多样性和详细的语义标注，使得它成为训练和评估语义分割模型的重要资源。 数据集组成： ADE20K数据集分为训练集、验证集和测试集，其中训练集包含20,210张图像，验证集包含2,000张图像。测试集的图像
深度学习：基于MindSpore实现ResNet50中药分拣
最新发布
Landy_Jay的博客
10-07 1094
ResNet（Residual Network）是一种深度神经网络架构，由微软研究院的Kaiming He等人在2015年提出，并且在ILSVRC 2015竞赛中取得了很好的成绩。ResNet主要解决了随着网络深度增加而出现的退化问题，即当网络变得非常深时，训练误差和验证误差可能会开始上升，这并不是因为过拟合，而是由于深层网络难以优化。ResNet的核心思想是引入了残差学习框架来简化许多层网络的训练。通过构建“跳跃连接”或称“捷径连接”，允许一层直接与更深层相连接。
【深度学习】交叉熵
weixin_62403234的博客
10-04 450
它告诉我们，如果我们使用一个概率分布 q 来近似真实的概率分布 p，我们在信息上会有多少额外损失。如果两个分布差异很大，则 KL 散度会较大，表示我们需要更多的额外信息来弥补近似分布和真实分布之间的差异。是一个系统中所有可能事件的不确定性或平均信息量的度量。是信息论中的一个重要概念，也是在机器学习和深度学习中用于分类任务的常见损失函数。它衡量的是两个概率分布之间的差异，特别是模型的预测概率分布与真实分布的差异。交叉熵最初是从信息论引入的，首先我们先来看一下什么是信息量，什么是熵，什么是相对熵。
【深度学习基础模型】胶囊网络（Capsule Networks, CapsNet）详细理解并附实现代码。
985小水博的摸鱼日常
10-06 728
胶囊网络（Capsule Networks, CapsNet）学习笔记！
每周精读一本200页左右的书：人工智能与Python编程
读者可以在掌握中学数学的基础上，通过本书了解神经网络的工作原理，并学会使用Python构建和训练神经网络，实现手写数字识别。 02 《用Python写网络爬虫》（196页） 该书由凯瑟琳雅姆尔和理查德劳森合作完成，针对...
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