Fugu-MT 論文翻訳(概要): Action Units Recognition Using Improved Pairwise Deep Architecture

論文の概要: Action Units Recognition Using Improved Pairwise Deep Architecture

arxiv url: http://arxiv.org/abs/2107.03143v1
Date: Wed, 7 Jul 2021 11:10:13 GMT
ステータス: 翻訳完了
システム内更新日: 2021-07-08 14:03:44.580412
Title: Action Units Recognition Using Improved Pairwise Deep Architecture
Title（参考訳）: Pairwise Deep Architectureの改良によるアクションユニット認識
Authors: Junya Saito, Xiaoyu Mi, Akiyoshi Uchida, Sachihiro Youoku, Takahisa Yamamoto, Kentaro Murase
Abstract要約: 本稿では,各AUの擬似インテンシティを導出するピアワイズ・ディープ・アーキテクチャを用いた新しい自動アクション・ユニット(AU)認識手法を提案する。今年の大会の検証データセットで0.65のスコアを得る。
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 Action Units (AUs) represent a set of facial muscular activities and various combinations of AUs can represent a wide range of emotions. AU recognition is often used in many applications, including marketing, healthcare, education, and so forth. Although a lot of studies have developed various methods to improve recognition accuracy, it still remains a major challenge for AU recognition. In the Affective Behavior Analysis in-the-wild (ABAW) 2020 competition, we proposed a new automatic Action Units (AUs) recognition method using a pairwise deep architecture to derive the Pseudo-Intensities of each AU and then convert them into predicted intensities. This year, we introduced a new technique to last year's framework to further reduce AU recognition errors due to temporary face occlusion such as temporary face occlusion such as face hiding or large face orientation. We obtained a score of 0.65 in the validation data set for this year's competition.
Abstract（参考訳）: 顔面行動単位(AUs)は顔の筋活動の集合を表し、様々なAUの組み合わせは幅広い感情を表現することができる。 au認識は、マーケティング、医療、教育など、多くのアプリケーションでよく使われている。多くの研究が認識精度を向上させるために様々な方法を開発したが、au認識には依然として大きな課題である。 ABAW(Affective Behavior Analysis in-the-wild) 2020 コンペティションにおいて,各AUの擬似強度を導出し,予測強度に変換するために,両極深度アーキテクチャを用いた新しい自動行動ユニット (AUs) 認識手法を提案した。今年,顔隠蔽や大きな顔配向などの一時的な顔隠蔽などの一時的な顔隠蔽によるAU認識誤差の低減を図るため,昨年の枠組みに新たな手法を導入した。今年のコンペティションの検証データセットで0.65のスコアを得た。

関連論文リスト

Decoupled Doubly Contrastive Learning for Cross Domain Facial Action Unit Detection [66.80386429324196]
そこで本稿では,AU 表現を2つに分離した2つのコントラスト適応 (D$2$CA) 手法を提案する。 D$2$CAは、合成顔の質を評価することにより、AUとドメイン因子を乱すように訓練される。最先端のクロスドメインAU検出アプローチよりも一貫して優れています。
論文参考訳（メタデータ） (2025-03-12T00:42:17Z)
Customizable Avatars with Dynamic Facial Action Coded Expressions (CADyFACE) for Improved User Engagement [0.5358896402695404]
3Dアバターに基づく表情刺激は、行動バイオマーカー発見におけるユーザエンゲージメントを改善する可能性がある。 FACS(Facial Action Coding System)アクションユニット(AU)ラベルによるカスタマイズ可能なアバターベースの刺激がない。本研究は,(1)被験者のエンゲージメントを維持するためのFACS-labeled,Customizable Avatar-based expression stimuli,(2)被験者の顔の反応を定量化するための学習ベース測定,(3)測定刺激ペアで表される構成物の検証に焦点を当てた。
論文参考訳（メタデータ） (2024-03-12T05:00:38Z)
Contrastive Learning of Person-independent Representations for Facial Action Unit Detection [70.60587475492065]
自己教師型AU表現学習信号を2次元で定式化する。ビデオクリップ内でAU表現を学習し、個人に依存しない表現を学習するためのクロスアイデンティティ再構築機構を考案する。提案手法は,他のコントラスト学習手法よりも優れており,自己教師と教師付きAU検出手法間の性能ギャップを著しく短縮する。
論文参考訳（メタデータ） (2024-03-06T01:49:28Z)
SwinFace: A Multi-task Transformer for Face Recognition, Expression Recognition, Age Estimation and Attribute Estimation [60.94239810407917]
本論文では,単一スウィントランスを用いた顔認識,表情認識,年齢推定,顔属性推定のための多目的アルゴリズムを提案する。複数のタスク間の競合に対処するため、マルチレベルチャネル注意(MLCA)モジュールをタスク固有の分析に統合する。実験の結果,提案したモデルでは顔の理解が良く,全てのタスクにおいて優れた性能が得られることがわかった。
論文参考訳（メタデータ） (2023-08-22T15:38:39Z)
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)
Eight Years of Face Recognition Research: Reproducibility, Achievements and Open Issues [6.608320705848282]
過去30年間に多くの異なる顔認識アルゴリズムが提案されてきた。 2015年からは、最先端の顔認識がディープラーニングモデルに根ざしている。この研究は、2014年に開発され、2016年に出版されたこれまでの研究のフォローアップであり、顔認識アルゴリズムに対する様々な顔の側面の影響を示している。
論文参考訳（メタデータ） (2022-08-08T10:40:29Z)
Learning Multi-dimensional Edge Feature-based AU Relation Graph for Facial Action Unit Recognition [27.34564955127377]
顔行動ユニット(AU)の活性化は相互に影響を及ぼす。既存のアプローチでは、顔ディスプレイの各ペアのAUに対して、明確にかつ明示的にそのようなキューを表現できない。本稿では,AU間の関係を明確に記述するために,一意のグラフを深く学習するAU関係モデリング手法を提案する。
論文参考訳（メタデータ） (2022-05-02T03:38:00Z)
Weakly Supervised Regional and Temporal Learning for Facial Action Unit Recognition [36.350407471391065]
限定アノテーションとモデル性能のギャップを埋めるための補助的AU関連タスクを2つ提案する。顔の筋肉の動的変化を利用するために,単一画像に基づく光フロー推定タスクを提案する。半教師付き学習を取り入れることで、弱い教師付き地域学習と時間学習というエンド・ツー・エンドのトレーニング可能なフレームワークを提案する。
論文参考訳（メタデータ） (2022-04-01T12:02:01Z)
AU-Expression Knowledge Constrained Representation Learning for Facial Expression Recognition [79.8779790682205]
本稿では,auアノテーションを使わずにau表現を学習し,表情認識を容易にするau表現知識制約表現学習(aue-crl)フレームワークを提案する。課題のある非制御データセットの実験を行い,提案されたフレームワークが現状の手法よりも優れていることを実証する。
論文参考訳（メタデータ） (2020-12-29T03:42:04Z)
Survey on the Analysis and Modeling of Visual Kinship: A Decade in the Making [66.72253432908693]
親和性認識は多くの実践的応用において難しい問題である。我々は、多くの人にその見解を刺激した公開リソースとデータ課題についてレビューする。 10周年記念には、さまざまなkinベースのタスクのためのデモコードが用意されている。
論文参考訳（メタデータ） (2020-06-29T13:25:45Z)
Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。