論文の概要: Geometric Graph Representation with Learnable Graph Structure and Adaptive AU Constraint for Micro-Expression Recognition

• arxiv url: http://arxiv.org/abs/2205.00380v1
• Date: Sun, 1 May 2022 02:20:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 06:55:31.274261
• Title: Geometric Graph Representation with Learnable Graph Structure and Adaptive AU Constraint for Micro-Expression Recognition
• Title（参考訳）: マイクロ表現認識のための学習可能なグラフ構造と適応au制約を用いた幾何グラフ表現
• Authors: Jinsheng Wei and Wei Peng and Guanming Lu and Yante Li and Jingjie Yan and Guoying Zhao
• Abstract要約: マイクロ表現認識(MER)は、マイクロ表現(ME)の不随意性が真の感情を明らかにするため、有用である。 本稿では,顔のランドマークの寄与について検討し,顔のランドマーク情報のみを用いてMEを効率的に認識するための新しい枠組みを構築した。 実験により,提案手法は計算コストを大幅に削減し,競争力や性能に優れることを示した。
• 参考スコア（独自算出の注目度）: 38.579316014796945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Micro-expression recognition (MER) is valuable because the involuntary nature of micro-expressions (MEs) can reveal genuine emotions. Most works recognize MEs by taking RGB videos or images as input. In fact, the activated facial regions in ME images are very small and the subtle motion can be easily submerged in the unrelated information. Facial landmarks are a low-dimensional and compact modality, which leads to much lower computational cost and can potentially concentrate more on ME-related features. However, the discriminability of landmarks for MER is not clear. Thus, this paper explores the contribution of facial landmarks and constructs a new framework to efficiently recognize MEs with sole facial landmark information. Specially, we design a separate structure module to separately aggregate the spatial and temporal information in the geometric movement graph based on facial landmarks, and a Geometric Two-Stream Graph Network is constructed to aggregate the low-order geometric information and high-order semantic information of facial landmarks. Furthermore, two core components are proposed to enhance features. Specifically, a semantic adjacency matrix can automatically model the relationship between nodes even long-distance nodes in a self-learning fashion; and an Adaptive Action Unit loss is introduced to guide the learning process such that the learned features are forced to have a synchronized pattern with facial action units. Notably, this work tackles MER only utilizing geometric features, processed based on a graph model, which provides a new idea with much higher efficiency to promote MER. The experimental results demonstrate that the proposed method can achieve competitive or even superior performance with a significantly reduced computational cost, and facial landmarks can significantly contribute to MER and are worth further study for efficient ME analysis.
• Abstract（参考訳）: マイクロ表現認識(MER)は、マイクロ表現(ME)の不随意性が真の感情を明らかにするため、有用である。 ほとんどの作品は、RGBビデオやイメージを入力として、MEを認識する。 実際、me画像の活性化された顔領域は非常に小さく、微妙な動きは無関係な情報に簡単に沈み込むことができる。 顔のランドマークは低次元でコンパクトなモダリティであり、計算コストが大幅に低くなり、ME関連の特徴にもっと集中する可能性がある。 しかし、MERのランドマークの識別性は明確ではない。 そこで本稿では,顔のランドマークの寄与について検討し,顔のランドマーク情報のみを用いてMEを効率的に認識する新しい枠組みを構築する。 特に,顔のランドマークに基づく幾何学的運動グラフの空間的情報と時間的情報を個別に集約する構造モジュールを設計し,顔ランドマークの低次幾何学的情報と高次意味情報を集約する幾何学的2ストリームグラフネットワークを構築した。 さらに,機能強化のために2つのコアコンポーネントが提案されている。 具体的には、セマンティック・アジャケーシ・マトリックスは、自己学習方式で長距離ノードであってもノード間の関係を自動的にモデル化し、学習した特徴が顔行動単位と同期パターンを持つように学習プロセスを導くために適応行動単位損失を導入する。 特に、この研究は、グラフモデルに基づいて処理される幾何学的特徴のみを利用するMERに取り組み、MERを促進させるために、はるかに高い効率で新しいアイデアを提供する。 実験結果から,提案手法は計算コストを大幅に削減して競争力や優れた性能を達成でき,顔のランドマークはMERに大きく寄与し,より効率的なME分析に有用であることが示された。

関連論文リスト

• Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks [64.39488944424095]
  本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。 MPMC点は、低次元と少数の点との差に関して、最適かほぼ最適であることが実証的に示されている。
  論文  参考訳（メタデータ） (2024-05-23T21:17:20Z)
• Semantic Graph Representation Learning for Handwritten Mathematical Expression Recognition [57.60390958736775]
  セマンティック・インタラクション・ラーニング(SIL)の簡易かつ効率的な手法を提案する。 まず,統計的シンボル共起確率に基づく意味グラフを構築する。 次に、視覚的および分類的特徴を意味空間に投影する意味認識モジュール(SAM)を設計する。 本手法は, CROHMEとHME100Kの両方のデータセットにおいて, 先行技術よりも優れた認識性能を実現する。
  論文  参考訳（メタデータ） (2023-08-21T06:23:41Z)
• AU-aware graph convolutional network for Macro- and Micro-expression spotting [44.507747407072685]
  我々はAUW-GCN(Action-Unit-aWare Graph Convolutional Network)と呼ばれるグラフ畳み込み型ネットワークを提案する。 先行情報を注入し、小さなデータセットの問題に対処するために、AU関連統計データをネットワークにエンコードする。 その結果, 2つのベンチマークデータセットにおいて, ベースライン手法を一貫して向上させ, 新たなSOTA性能を実現することができた。
  論文  参考訳（メタデータ） (2023-03-16T07:00:36Z)
• Prior Information based Decomposition and Reconstruction Learning for Micro-Expression Recognition [45.46357824529522]
  事前情報は、モデルを誘導し、差別的なME特徴を効果的に学習する。 本稿では,ME運動の特徴を学習するための分解と再構成に基づくグラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:34:28Z)
• Discovering Generalizable Spatial Goal Representations via Graph-based Active Reward Learning [17.58129740811116]
  我々は、報酬学習アプローチ、グラフベースの等価マッピング(GEM)を提案する。 GEMは、オブジェクト間の重要な空間関係を示すグラフと、グラフの各エッジに対する状態同値写像による空間目標仕様を表す。 GEMは,学習目標表現の高次ベースラインに対する一般化性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-11-24T18:59:06Z)
• Motif-based Graph Representation Learning with Application to Chemical Molecules [11.257235936629689]
  既存のグラフニューラルネットワークは、局所的な構造的コンテキスト内で複雑な相互作用をキャプチャする限られた能力を提供する。 局所構造情報をよりよく活用するためのモチーフに基づくグラフ表現学習手法を提案する。 MCMは、教師なしの方法でモチーフ語彙を構築し、新しいモチーフ畳み込み操作を展開し、局所構造コンテキストを抽出する。
  論文  参考訳（メタデータ） (2022-08-09T03:37:37Z)
• 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)
• Neural Topological SLAM for Visual Navigation [112.73876869904]
  意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。 本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2020-05-25T17:56:29Z)
• A Transfer Learning approach to Heatmap Regression for Action Unit intensity estimation [50.261472059743845]
  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。
  論文  参考訳（メタデータ） (2020-04-14T16:51:13Z)
• Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
  セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。 グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。 計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-03-23T12:28:07Z)

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。