論文の概要: Micro-Facial Expression Recognition Based on Deep-Rooted Learning Algorithm

• arxiv url: http://arxiv.org/abs/2009.05778v1
• Date: Sat, 12 Sep 2020 12:23:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 07:49:03.793048
• Title: Micro-Facial Expression Recognition Based on Deep-Rooted Learning Algorithm
• Title（参考訳）: 深層学習アルゴリズムを用いたマイクロ顔表情認識
• Authors: S. D. Lalitha, K. K. Thyagharajan
• Abstract要約: 本稿では,MFEDRL(Micro-Facial Expression Based Deep-Rooted Learning)分類器を提案する。 アルゴリズムの性能は認識率と偽測度を用いて評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial expressions are important cues to observe human emotions. Facial expression recognition has attracted many researchers for years, but it is still a challenging topic since expression features vary greatly with the head poses, environments, and variations in the different persons involved. In this work, three major steps are involved to improve the performance of micro-facial expression recognition. First, an Adaptive Homomorphic Filtering is used for face detection and rotation rectification processes. Secondly, Micro-facial features were used to extract the appearance variations of a testing image-spatial analysis. The features of motion information are used for expression recognition in a sequence of facial images. An effective Micro-Facial Expression Based Deep-Rooted Learning (MFEDRL) classifier is proposed in this paper to better recognize spontaneous micro-expressions by learning parameters on the optimal features. This proposed method includes two loss functions such as cross entropy loss function and centre loss function. Then the performance of the algorithm will be evaluated using recognition rate and false measures. Simulation results show that the predictive performance of the proposed method outperforms that of the existing classifiers such as Convolutional Neural Network (CNN), Deep Neural Network (DNN), Artificial Neural Network (ANN), Support Vector Machine (SVM), and k-Nearest Neighbours (KNN) in terms of accuracy and Mean Absolute Error (MAE).
• Abstract（参考訳）: 表情は人間の感情を観察するための重要な手がかりである。 顔の表情認識は長年にわたり多くの研究者を惹きつけてきたが、表情の特徴は様々な人物の頭部のポーズ、環境、バリエーションと大きく異なるため、依然として難しい話題である。 本研究は, マイクロインタフェース認識の性能向上のための3つの重要なステップである。 まず,適応型準同型フィルタを用いて顔検出と回転整流処理を行う。 第2に,テスト画像空間分析の外観変化を抽出するために,微小界面特性を用いた。 動き情報の特徴は、顔画像のシーケンスにおける表情認識に使用される。 本稿では,学習パラメータによる自発的マイクロ表現を最適特徴量で認識するために,mfedrl(deep-rooted learning)分類器を提案する。 提案手法は,クロスエントロピー損失関数とセンター損失関数の2つの損失関数を含む。 次に、認識率と誤測定値を用いてアルゴリズムの性能を評価する。 シミュレーションの結果,提案手法の予測性能は,畳み込みニューラルネットワーク(cnn),ディープニューラルネットワーク(dnn),人工ニューラルネットワーク(ann),サポートベクトルマシン(svm),k-nearest近傍(knn)といった既存の分類器よりも精度と平均絶対誤差(mae)の点で優れていることがわかった。

関連論文リスト

• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• Transferring Dual Stochastic Graph Convolutional Network for Facial Micro-expression Recognition [7.62031665958404]
  本稿では,2つのグラフ畳み込みネットワーク(GCN)モデルについて述べる。 マイクロ圧縮画像からより識別性の高い特徴を抽出するグラフ構築法と二重グラフ畳み込みネットワークを提案する。 提案手法は,最近リリースされたMMEWベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-10T07:41:18Z)
• Research on facial expression recognition based on Multimodal data fusion and neural network [2.5431493111705943]
  このアルゴリズムはマルチモーダルデータに基づいており、顔画像、画像の方向勾配のヒストグラム、顔のランドマークを入力とする。 実験結果から, マルチモーダルデータの相補性により, 精度, 堅牢性, 検出速度が大幅に向上したことがわかった。
  論文  参考訳（メタデータ） (2021-09-26T23:45:40Z)
• Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout for Landmark-based Facial Expression Recognition with Uncertainty Estimation [93.73198973454944]
  提案手法の性能は, 広く使用されている3つのデータセットで評価される。 ビデオベースの最先端の手法に匹敵するが、複雑さははるかに少ない。
  論文  参考訳（メタデータ） (2021-06-08T13:40:30Z)
• Micro-Facial Expression Recognition in Video Based on Optimal Convolutional Neural Network (MFEOCNN) Algorithm [0.0]
  ビデオシーケンスにおけるマイクロファサール表現の認識が,提案手法の主な目的である。 提案手法の新規性は,修正ライオン最適化(MLO)アルゴリズムを用いて,抽出した特徴量から最適な特徴量を選択することである。 提案手法は最小平均絶対誤差(MAE)値で99.2%の認識精度を実現する。
  論文  参考訳（メタデータ） (2020-09-29T05:56:26Z)
• The FaceChannel: A Fast & Furious Deep Neural Network for Facial Expression Recognition [71.24825724518847]
  顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。 私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。 我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
  論文  参考訳（メタデータ） (2020-09-15T09:25:37Z)
• Unsupervised Learning Facial Parameter Regressor for Action Unit Intensity Estimation via Differentiable Renderer [51.926868759681014]
  骨駆動型顔モデル(BDFM)に基づいて,異なる視点で顔パラメータを予測する枠組みを提案する。 提案するフレームワークは,特徴抽出器,ジェネレータ,顔パラメータ回帰器から構成される。
  論文  参考訳（メタデータ） (2020-08-20T09:49:13Z)
• Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
  顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。 提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。 実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:56:00Z)

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。