論文の概要: AU-aware graph convolutional network for Macro- and Micro-expression spotting

• arxiv url: http://arxiv.org/abs/2303.09114v1
• Date: Thu, 16 Mar 2023 07:00:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 16:37:32.502898
• Title: AU-aware graph convolutional network for Macro- and Micro-expression spotting
• Title（参考訳）: auアウェアグラフ畳み込みネットワークによるマクロ・マイクロ表現スポッティング
• Authors: Shukang Yin, Shiwei Wu, Tong Xu, Shifeng Liu, Sirui Zhao, Enhong Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 44.507747407072685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Micro-Expression (ME) spotting in long videos is a crucial step in ME analysis but also a challenging task due to the short duration and low intensity of MEs. When solving this problem, previous works generally lack in considering the structures of human faces and the correspondence between expressions and relevant facial muscles. To address this issue for better performance of ME spotting, this paper seeks to extract finer spatial features by modeling the relationships between facial Regions of Interest (ROIs). Specifically, we propose a graph convolutional-based network, called Action-Unit-aWare Graph Convolutional Network (AUW-GCN). Furthermore, to inject prior information and to cope with the problem of small datasets, AU-related statistics are encoded into the network. Comprehensive experiments show that our results outperform baseline methods consistently and achieve new SOTA performance in two benchmark datasets,CAS(ME)^2 and SAMM-LV. Our code is available at https://github.com/xjtupanda/AUW-GCN.
• Abstract（参考訳）: 長ビデオにおける自動マイクロ圧縮(ME)スポッティングは, ME分析において重要なステップであるが, MEの短寿命化と低強度化による課題でもある。 この問題を解くにあたっては、人間の顔の構造や表情と関連する顔の筋肉の対応を考慮に入れていないのが一般的である。 そこで本研究では,MEスポッティングの性能向上のために,顔領域(ROI)間の関係をモデル化し,空間的特徴を抽出することを提案する。 具体的には、AUW-GCN(Action-Unit-aWare Graph Convolutional Network)と呼ばれるグラフ畳み込みベースのネットワークを提案する。 さらに、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。 総合的な実験により,2つのベンチマークデータセットであるCAS(ME)^2とSAMM-LVにおいて,ベースライン法を一貫して上回り,新たなSOTA性能を実現することができた。 私たちのコードはhttps://github.com/xjtupanda/auw-gcnで利用可能です。

関連論文リスト

• Rethinking Transformer for Long Contextual Histopathology Whole Slide Image Analysis [9.090504201460817]
  ヒストホイルスライド画像(英語版)(WSI)解析は、医師の日常業務における臨床がん診断のゴールドスタンダードとなっている。 従来の手法では、スライドレベルラベルのみを与えられたスライドレベルの予測を可能にするために、マルチパスラーニングが一般的であった。 大規模なWSIにおける長いシーケンスの計算複雑性を軽減するため、HIPTではリージョンスライシング、TransMILでは完全な自己アテンションの近似を採用している。
  論文  参考訳（メタデータ） (2024-10-18T06:12:36Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Affinity-Aware Graph Networks [9.888383815189176]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを学ぶための強力なテクニックとして登場した。 グラフニューラルネットワークの特徴としてアフィニティ尺度の利用について検討する。 本稿では,これらの特徴に基づくメッセージパッシングネットワークを提案し,その性能を様々なノードおよびグラフ特性予測タスクで評価する。
  論文  参考訳（メタデータ） (2022-06-23T18:51:35Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• 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)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Attention improves concentration when learning node embeddings [1.2233362977312945]
  検索クエリテキストでラベル付けされたノードを考えると、製品を共有する関連クエリへのリンクを予測したい。 様々なディープニューラルネットワークを用いた実験では、注意機構を備えた単純なフィードフォワードネットワークが埋め込み学習に最適であることが示されている。 本稿では,クエリ生成モデルであるAttESTを提案する。このモデルでは,製品とクエリテキストの両方を,潜在空間に埋め込まれたベクトルとして見ることができる。
  論文  参考訳（メタデータ） (2020-06-11T21:21:12Z)
• MER-GCN: Micro Expression Recognition Based on Relation Modeling with Graph Convolutional Network [24.69269586706002]
  本稿では、3D ConvNets を用いて AU 特徴を抽出し、GCN 層を適用して ME 分類のための AU ノード間の依存関係の探索を行う、エンドツーエンドな AU グラフ分類ネットワーク MER-GCN を提案する。 我々の知る限り、この研究はAUsベースのGCNを用いたMER(Micro-Expression Recognition)のための最初のエンドツーエンドアーキテクチャである。
  論文  参考訳（メタデータ） (2020-04-19T17:25:30Z)

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。