Fugu-MT 論文翻訳(概要): Automated Detection of Equine Facial Action Units

論文の概要: Automated Detection of Equine Facial Action Units

arxiv url: http://arxiv.org/abs/2102.08983v1
Date: Wed, 17 Feb 2021 19:22:39 GMT
ステータス: 処理完了
システム内更新日: 2021-02-19 14:21:06.919912
Title: Automated Detection of Equine Facial Action Units
Title（参考訳）: Equine Facial Action Unitの自動検出
Authors: Zhenghong Li, Sofia Broom\'e, Pia Haubro Andersen, Hedvig Kjellstr\"om
Abstract要約: 最近開発されたEquine Facial Action Coding System (EquiFACS)は、馬の顔のアクションユニットを正確にかつ徹底的に手動でラベル付けする方法を提供する。画像からEquiFACSユニットを自動的に検出するDeep Learningベースの手法を提案する。
参考スコア（独自算出の注目度）: 1.1470070927586016
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The recently developed Equine Facial Action Coding System (EquiFACS) provides a precise and exhaustive, but laborious, manual labelling method of facial action units of the horse. To automate parts of this process, we propose a Deep Learning-based method to detect EquiFACS units automatically from images. We use a cascade framework; we firstly train several object detectors to detect the predefined Region-of-Interest (ROI), and secondly apply binary classifiers for each action unit in related regions. We experiment with both regular CNNs and a more tailored model transferred from human facial action unit recognition. Promising initial results are presented for nine action units in the eye and lower face regions.
Abstract（参考訳）: 最近開発されたEquine Facial Action Coding System (EquiFACS)は、馬の顔のアクションユニットを正確にかつ徹底的に手動でラベル付けする方法を提供する。このプロセスの一部を自動化するために,画像からEquiFACS単位を自動的に検出するDeep Learning-based法を提案する。まず、複数のオブジェクト検出器を訓練して、事前定義された関心領域(roi)を検出し、関連する各領域のアクションユニットにバイナリ分類器を適用する。我々は、通常のcnnと、人間の顔行動単位認識から転送されるよりカスタマイズされたモデルの両方を実験する。目および下面領域の9つのアクションユニットで、適切な初期結果が示されます。

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)
MASA: Motion-aware Masked Autoencoder with Semantic Alignment for Sign Language Recognition [94.56755080185732]
本研究では,リッチモーションキューとグローバルセマンティック情報を統合したセマンティックアライメント(MASA)を用いたMotion-Awareマスク付きオートエンコーダを提案する。我々のフレームワークは,包括的手話表現のための局所的な動きの手がかりとグローバルな意味的特徴を同時に学習することができる。
論文参考訳（メタデータ） (2024-05-31T08:06:05Z)
DITTO: Demonstration Imitation by Trajectory Transformation [31.930923345163087]
そこで本研究では,RGB-Dビデオ録画による実演映像のワンショット模倣の問題に対処する。本稿では,2段階のプロセスを提案する。第1段階では実演軌道をオフラインに抽出し,操作対象のセグメンテーションと,容器などの二次物体に対する相対運動を決定する。オンライン軌道生成段階では、まず全ての物体を再検出し、次にデモ軌道を現在のシーンにワープし、ロボット上で実行します。
論文参考訳（メタデータ） (2024-03-22T13:46:51Z)
FaceXFormer: A Unified Transformer for Facial Analysis [59.94066615853198]
FaceXformerは、さまざまな顔分析タスクのためのエンドツーエンドの統一トランスフォーマーモデルである。本モデルでは,8つのタスクにまたがる頑健さと一般化性を実証し,画像の「夢中」を効果的に処理する。
論文参考訳（メタデータ） (2024-03-19T17:58:04Z)
Boosting Facial Action Unit Detection Through Jointly Learning Facial Landmark Detection and Domain Separation and Reconstruction [4.4150617622399055]
AUドメインの分離と再構築と顔のランドマーク検出を共同で学習するマルチタスク学習を導入した新しいAU検出フレームワークを提案する。また,単純なプロジェクタによるコントラッシブ・ラーニングとコントラッシブ・ロスの改善に基づく新たな特徴アライメント手法を提案する。
論文参考訳（メタデータ） (2023-10-08T15:49:26Z)
Deep Learning Computer Vision Algorithms for Real-time UAVs On-board Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文参考訳（メタデータ） (2022-11-02T11:10:42Z)
Multi-modal Multi-label Facial Action Unit Detection with Transformer [7.30287060715476]
本稿では,第3回ABAW(Affective Behavior Analysis)2022コンペティションについて述べる。映像中の顔行動単位(FAU)を検出するためのトランスフォーマーモデルを提案した。
論文参考訳（メタデータ） (2022-03-24T18:59:31Z)
An Attention-based Method for Action Unit Detection at the 3rd ABAW Competition [6.229820412732652]
本稿では,2022年の第3回ABAW(Affective Behavior Analysis in-the-Wild)コンテストへの参加について述べる。映像中の顔の動きを検知する手法を提案する。 ABAWチャレンジ検証セットのマクロF1スコアは0.48であり,ベースラインモデルでは0.39であった。
論文参考訳（メタデータ） (2022-03-23T14:07:39Z)
Impact of Action Unit Occurrence Patterns on Detection [0.3670422696827526]
動作単位発生パターンが動作単位の検出に与える影響について検討する。その結果,行動単位発生パターンが評価指標に強く影響していることが示唆された。本稿では,行動単位検出の精度を高めるために,発生パターンを用いてディープニューラルネットワークを明示的に訓練する新しい手法を提案する。
論文参考訳（メタデータ） (2020-10-15T19:03:05Z)
DeepFake Detection Based on the Discrepancy Between the Face and its Context [94.47879216590813]
単一画像における顔のスワップやその他のアイデンティティ操作を検出する手法を提案する。提案手法は, (i) 厳密なセマンティックセグメンテーションによって境界付けられた顔領域を考慮した顔識別ネットワークと, (ii) 顔コンテキストを考慮したコンテキスト認識ネットワークの2つのネットワークを含む。本稿では,2つのネットワークからの認識信号を用いて,そのような不一致を検出する手法について述べる。提案手法は,FaceForensics++,Celeb-DF-v2,DFDCベンチマークを用いて顔検出を行い,未知の手法で生成した偽物の検出を一般化する。
論文参考訳（メタデータ） (2020-08-27T17:04:46Z)
J$\hat{\text{A}}$A-Net: Joint Facial Action Unit Detection and Face Alignment via Adaptive Attention [57.51255553918323]
本稿では,共同AU検出と顔アライメントのための新しいエンドツーエンドディープラーニングフレームワークを提案する。我々のフレームワークは、BP4D, DISFA, GFT, BP4D+ベンチマークにおいて、最先端のAU検出方法よりも大幅に優れています。
論文参考訳（メタデータ） (2020-03-18T12:50:19Z)

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。