Fugu-MT 論文翻訳(概要): Multi-label Transformer for Action Unit Detection

論文の概要: Multi-label Transformer for Action Unit Detection

arxiv url: http://arxiv.org/abs/2203.12531v1
Date: Wed, 23 Mar 2022 16:46:09 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 18:52:10.922455
Title: Multi-label Transformer for Action Unit Detection
Title（参考訳）: 動作単位検出用マルチラベル変圧器
Authors: Gauthier Tallec, Edouard Yvinec, Arnaud Dapogny, Kevin Bailly
Abstract要約: アクション・ユニット(AU)検出(英: Action Unit、AU)は、一意の顔面筋運動を認識することを目的とした感情コンピューティングの分野である。我々はABAW3チャレンジに応募する。簡単に言えば、顔画像のどの部分が最も関連があるかを知るために、マルチヘッドアテンションを利用するマルチラベル検出変換器を適用した。
参考スコア（独自算出の注目度）: 7.09232719022402
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Action Unit (AU) Detection is the branch of affective computing that aims at recognizing unitary facial muscular movements. It is key to unlock unbiaised computational face representations and has therefore aroused great interest in the past few years. One of main obstacles toward building efficient deep learning based AU detection system facial images database annotated by AU experts. In that extent the ABAW challenge paves the way toward better AU detection as it involves a ~2M frames AU annotated dataset. In this paper, we present our submission to the ABAW3 challenge. In a nutshell, we applied a multi-label detection transformer that leverage multi-head attention to learn which part of the face image is the most relevant to predict each AU.
Abstract（参考訳）: action unit (au) 検出は、一意的な顔面筋運動を認識することを目的とした感情コンピューティングの分野である。これは、偏りのない計算的な顔表現を解き放つ鍵であり、それゆえ過去数年間で大きな関心を呼び起こしてきた。 AUの専門家がアノテートした顔画像データベースを,効率的なディープラーニングベースで構築する上での障害のひとつだ。 ABAWチャレンジは、約2MフレームのAUアノテーション付きデータセットを含むため、より良いAU検出への道を開く。本稿では,ABAW3チャレンジへの応募について述べる。一言で言えば、顔画像のどの部分がauの予測に最も重要かを知るために、マルチヘッド注意を利用するマルチラベル検出トランスを応用した。

関連論文リスト

Facial Action Unit Detection by Adaptively Constraining Self-Attention and Causally Deconfounding Sample [53.23474626420103]
顔行動単位(AU)検出は、AUの微妙さ、ダイナミクス、多様性のため、依然として困難な課題である。本稿では,自己注意重み分布を適応的に制限することで,AC2Dと呼ばれる新しいAU検出フレームワークを提案する。提案手法は,最先端のAU検出手法と比較して,挑戦的なベンチマークによる競合性能を実現する。
論文参考訳（メタデータ） (2024-10-02T05:51:24Z)
Representation Learning and Identity Adversarial Training for Facial Behavior Understanding [3.350769246260559]
主観的同一性はモデルに対するショートカット学習を提供し、AU予測に対する準最適解をもたらすことを示す。我々はIAT(Identity Adrial Training)を提案し、アイデンティティ不変の特徴を学習するために強力なIAT正規化が必要であることを実証する。提案手法であるFMAE(Facial Masked Autoencoder)とIATは単純で汎用的で効果的である。
論文参考訳（メタデータ） (2024-07-15T21:13:28Z)
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)
Dynamic Prototype Mask for Occluded Person Re-Identification [88.7782299372656]
既存の手法では、目に見える部分を識別するために、余分なネットワークによって提供される身体の手がかりを利用することで、この問題に対処している。 2つの自己明快な事前知識に基づく新しい動的プロトタイプマスク(DPM)を提案する。この条件下では、隠蔽された表現は、選択された部分空間において自然にうまく整列することができる。
論文参考訳（メタデータ） (2022-07-19T03:31:13Z)
Cross-subject Action Unit Detection with Meta Learning and Transformer-based Relation Modeling [7.395396464857193]
メタラーニングに基づくクロスオブジェクトAU検出モデルを提案する。複数のAUの潜伏関係を学習するために、トランスフォーマーに基づく関係学習モジュールを導入する。提案手法は,2つの公開データセットBP4DとdisFAにおいて,最先端技術よりも優れていることを示す。
論文参考訳（メタデータ） (2022-05-18T08:17:59Z)
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)
Attention Aware Wavelet-based Detection of Morphed Face Images [18.22557507385582]
本稿では,エンドツーエンドのトレーニング可能なソフトアテンション機構を採用したウェーブレットに基づくモーメント検出手法を提案する。提案手法の性能を,VISAPP17, LMA, MorGANの3つのデータセットを用いて評価した。
論文参考訳（メタデータ） (2021-06-29T19:29:19Z)
Meta Auxiliary Learning for Facial Action Unit Detection [84.22521265124806]
マルチタスク方式でAU検出と表情認識を学習することを検討する。マルチタスクシナリオにおける負の転送のため、AU検出タスクの性能を常に向上することはできない。トレーニングFEサンプルの適応重みをメタラーニング方式で学習し,高相関なFEサンプルを自動的に選択するメタラーニング法(MAL)を提案する。
論文参考訳（メタデータ） (2021-05-14T02:28:40Z)
Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
論文参考訳（メタデータ） (2021-03-08T15:13:59Z)
Unsupervised Facial Action Unit Intensity Estimation via Differentiable Optimization [45.07851622835555]
顔画像からの顔AU強度推定のための教師なしフレームワークGE-Netを提案する。本フレームワークは,入力画像に一致するように顔パラメータを反復的に更新する,微分可能な最適化を行う。実験により,本手法は既存手法と比較して最先端の結果が得られることが示された。
論文参考訳（メタデータ） (2020-04-13T12:56:28Z)
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。