論文の概要: A Transfer Learning approach to Heatmap Regression for Action Unit intensity estimation

• arxiv url: http://arxiv.org/abs/2004.06657v1
• Date: Tue, 14 Apr 2020 16:51:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 10:00:56.204909
• Title: A Transfer Learning approach to Heatmap Regression for Action Unit intensity estimation
• Title（参考訳）: 行動単位強度推定のための熱マップ回帰への伝達学習手法
• Authors: Ioanna Ntinou and Enrique Sanchez and Adrian Bulat and Michel Valstar and Georgios Tzimiropoulos
• Abstract要約: アクション・ユニット(英: Action Units、AUs)は、幾何学に基づく原子性顔面筋運動である。 本稿では,その位置と強度を共同で推定する新しいAUモデリング問題を提案する。 ヒートマップは、所定の空間的位置でAUが発生するか否かをモデル化する。
• 参考スコア（独自算出の注目度）: 50.261472059743845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action Units (AUs) are geometrically-based atomic facial muscle movements known to produce appearance changes at specific facial locations. Motivated by this observation we propose a novel AU modelling problem that consists of jointly estimating their localisation and intensity. To this end, we propose a simple yet efficient approach based on Heatmap Regression that merges both problems into a single task. A Heatmap models whether an AU occurs or not at a given spatial location. To accommodate the joint modelling of AUs intensity, we propose variable size heatmaps, with their amplitude and size varying according to the labelled intensity. Using Heatmap Regression, we can inherit from the progress recently witnessed in facial landmark localisation. Building upon the similarities between both problems, we devise a transfer learning approach where we exploit the knowledge of a network trained on large-scale facial landmark datasets. In particular, we explore different alternatives for transfer learning through a) fine-tuning, b) adaptation layers, c) attention maps, and d) reparametrisation. Our approach effectively inherits the rich facial features produced by a strong face alignment network, with minimal extra computational cost. We empirically validate that our system sets a new state-of-the-art on three popular datasets, namely BP4D, DISFA, and FERA2017.
• Abstract（参考訳）: アクションユニット(英: action unit、aus)は、特定の顔部位における外観変化を生じる幾何学的ベースの顔面筋運動である。 そこで本研究では,その位置と強度を共同で推定する新しいAUモデリング問題を提案する。 そこで本研究では,両問題をひとつのタスクにマージする,Heatmap Regressionに基づくシンプルかつ効率的なアプローチを提案する。 ヒートマップは、所定の空間的位置でAUが発生するか否かをモデル化する。 AUS強度の連成モデリングを実現するために,ラベル付き強度に応じて振幅と大きさが変化する可変サイズヒートマップを提案する。 Heatmap Regressionを使用することで、顔のランドマークのローカライゼーションで最近見られた進歩を継承することができます。 両者の類似性に基づいて,大規模顔ランドマークデータセットでトレーニングされたネットワークの知識を活用するトランスファー学習手法を考案する。 特に 転校学習の選択肢を 探究しています fine-tuning (複数形 fine-tunings) b) 適応層 c) 注意地図,及び d) リパラメトリゼーション。 提案手法は,強力な顔アライメントネットワークが生み出す豊富な顔特徴を,最小限の計算コストで効果的に継承する。 我々は,BP4D, DISFA, FERA2017という3つの一般的なデータセットに,我々のシステムが新たな最先端技術を設定することを実証的に検証した。

関連論文リスト

• Precise Facial Landmark Detection by Reference Heatmap Transformer [52.417964103227696]
  より正確に顔のランドマークを検出するための参照ヒートマップ変換器(RHT)を提案する。 評価実験の結果,提案手法は文献における最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-14T12:26:48Z)
• Sparse Local Patch Transformer for Robust Face Alignment and Landmarks Inherent Relation Learning [11.150290581561725]
  固有関係を学習するためのスパース局所パッチ変換器(S)を提案する。 提案手法は計算量が少なくて最先端のレベルで機能する。
  論文  参考訳（メタデータ） (2022-03-13T01:15:23Z)
• Subpixel Heatmap Regression for Facial Landmark Localization [65.41270740933656]
  熱マップ回帰法は、熱マップ符号化と復号処理の両方に関連する離散化による誤差に悩まされる。 本稿では,熱マップの符号化と復号化に基礎となる連続分布を利用した新しい手法を提案する。 我々のアプローチは、顔のランドマークのローカライゼーションに新しい最先端の結果を設定する複数のデータセット間で顕著な利得を提供する。
  論文  参考訳（メタデータ） (2021-11-03T17:21:28Z)
• Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
  放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。 提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
  論文  参考訳（メタデータ） (2021-09-07T21:05:56Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Facial Action Unit Intensity Estimation via Semantic Correspondence Learning with Dynamic Graph Convolution [27.48620879003556]
  本稿では,特徴マップ間の意味的対応を確立することによって,AUの潜伏関係を自動的に学習する学習フレームワークを提案する。 熱マップ回帰に基づくネットワークでは、特徴写像はAU強度と位置に関連する豊富な意味情報を保存する。 これはAU強度レベルの共起関係を暗黙的に表す特徴チャネル間の相関をモデル化する動機となっている。
  論文  参考訳（メタデータ） (2020-04-20T23:55:30Z)
• Attentive One-Dimensional Heatmap Regression for Facial Landmark Detection and Tracking [73.35078496883125]
  顔のランドマークの局所化のための新しい1次元熱マップ回帰法を提案する。 まず、x座標とy座標の辺分布を表すために、1次元熱マップの2つの群を予測する。 第2に、x と y 座標に存在する固有の空間パターンをモデル化するコアテンション機構が採用されている。 第3に、1次元熱マップ構造に基づいて、画像上のランドマーク検出のための空間パターンを検出する顔ランドマーク検出器を提案する。
  論文  参考訳（メタデータ） (2020-04-05T06:51:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。