論文の概要: Prior Information based Decomposition and Reconstruction Learning for Micro-Expression Recognition

• arxiv url: http://arxiv.org/abs/2303.01776v1
• Date: Fri, 3 Mar 2023 08:34:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 15:41:47.092298
• Title: Prior Information based Decomposition and Reconstruction Learning for Micro-Expression Recognition
• Title（参考訳）: マイクロ表現認識のための事前情報に基づく分解・再構成学習
• Authors: Jinsheng Wei, Haoyu Chen, Guanming Lu, Jingjie Yan, Yue Xie and Guoying Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 45.46357824529522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Micro-expression recognition (MER) draws intensive research interest as micro-expressions (MEs) can infer genuine emotions. Prior information can guide the model to learn discriminative ME features effectively. However, most works focus on researching the general models with a stronger representation ability to adaptively aggregate ME movement information in a holistic way, which may ignore the prior information and properties of MEs. To solve this issue, driven by the prior information that the category of ME can be inferred by the relationship between the actions of facial different components, this work designs a novel model that can conform to this prior information and learn ME movement features in an interpretable way. Specifically, this paper proposes a Decomposition and Reconstruction-based Graph Representation Learning (DeRe-GRL) model to effectively learn high-level ME features. DeRe-GRL includes two modules: Action Decomposition Module (ADM) and Relation Reconstruction Module (RRM), where ADM learns action features of facial key components and RRM explores the relationship between these action features. Based on facial key components, ADM divides the geometric movement features extracted by the graph model-based backbone into several sub-features, and learns the map matrix to map these sub-features into multiple action features; then, RRM learns weights to weight all action features to build the relationship between action features. The experimental results demonstrate the effectiveness of the proposed modules, and the proposed method achieves competitive performance.
• Abstract（参考訳）: マイクロ表現認識(MER)は、マイクロ表現(ME)が真の感情を推測できるため、研究の関心が高まる。 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。 しかし、ほとんどの作品は、より強固な表現能力を持つ一般的なモデルの研究に焦点を当てており、mesの以前の情報や特性を無視して、総合的な方法でmeの動き情報をアダプティブに集約している。 この問題を解決するために、顔の異なるコンポーネントの動作の関係からMEのカテゴリを推測できるという事前情報に基づいて、この事前情報に適合し、ME運動の特徴を解釈可能な方法で学習できる新しいモデルを設計する。 具体的には,分解・再構成に基づくグラフ表現学習(DeRe-GRL)モデルを提案する。 DeRe-GRLには、アクション分解モジュール(ADM)とリレーショナル再構成モジュール(RRM)の2つのモジュールが含まれている。 顔のキー成分に基づいて、ADMはグラフモデルに基づくバックボーンから抽出された幾何学的運動特徴をいくつかのサブフィーチャーに分割し、これらのサブフィーチャーを複数のアクション特徴にマッピングするマップ行列を学習する。 実験の結果,提案するモジュールの有効性が示され,提案手法は競合性能を実現する。

関連論文リスト

• Micro-Expression Recognition by Motion Feature Extraction based on Pre-training [6.015288149235598]
  マイクロ圧縮認識タスクのための新しい動き抽出戦略(MoExt)を提案する。 MoExtでは、まず、開始フレームと頂点フレームから形状特徴とテクスチャ特徴を分離して抽出し、その後、両方のフレームの形状特徴に基づいてMEに関連する運動特徴を抽出する。 提案手法の有効性を3つの一般的なデータセットで検証した。
  論文  参考訳（メタデータ） (2024-07-10T03:51:34Z)
• An Information Compensation Framework for Zero-Shot Skeleton-based Action Recognition [49.45660055499103]
  ゼロショットの人間の骨格に基づく行動認識は、トレーニング中に見られるカテゴリ外の行動を認識するモデルを構築することを目的としている。 従来の研究では、シーケンスの視覚的空間分布と意味的空間分布の整合性に焦点が当てられていた。 強固で頑健な表現を得るために,新たな損失関数サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-02T06:53:01Z)
• Exploring Graph-based Knowledge: Multi-Level Feature Distillation via Channels Relational Graph [8.646512035461994]
  視覚的なタスクでは、大きな教師モデルは重要な特徴と深い情報を取得し、パフォーマンスを向上する。 マルチレベル特徴アライメント戦略を含むグラフ知識に基づく蒸留フレームワークを提案する。 蒸留工程におけるスペクトル埋め込み (SE) は, 学生の特徴空間と教師ネットワークに類似した関係知識と構造的複雑さを融合させる重要な手法である。
  論文  参考訳（メタデータ） (2024-05-14T12:37:05Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Named Entity and Relation Extraction with Multi-Modal Retrieval [51.660650522630526]
  マルチモーダルな名前付きエンティティ認識(NER)と関係抽出(RE)は、関連画像情報を活用してNERとREの性能を向上させることを目的としている。 新たなマルチモーダル検索フレームワーク(MoRe)を提案する。 MoReはテキスト検索モジュールと画像ベースの検索モジュールを含み、入力されたテキストと画像の関連知識をそれぞれ知識コーパスで検索する。
  論文  参考訳（メタデータ） (2022-12-03T13:11:32Z)
• Tackling Visual Control via Multi-View Exploration Maximization [64.8463574294237]
  MEMは強化学習における多視点表現学習と報酬駆動探索を組み合わせた最初のアプローチである 我々は,DeepMind Control Suite と Procgen の様々なタスクにおける MEM の評価を行った。
  論文  参考訳（メタデータ） (2022-11-28T11:29:56Z)
• Geometric Graph Representation with Learnable Graph Structure and Adaptive AU Constraint for Micro-Expression Recognition [38.579316014796945]
  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。
  論文  参考訳（メタデータ） (2022-05-01T02:20:43Z)
• Feature Decomposition and Reconstruction Learning for Effective Facial Expression Recognition [80.17419621762866]
  本稿では,表情認識のための特徴分解再構成学習(FDRL)手法を提案する。 FDRLは、FDN(Feature Decomposition Network)とFRN(Feature Restruction Network)の2つの重要なネットワークで構成されている。
  論文  参考訳（メタデータ） (2021-04-12T02:22:45Z)

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。