Fugu-MT 論文翻訳(概要): MoTop: Motion-Topological Model For Micro AU Detection

論文の概要: MoTop: Motion-Topological Model For Micro AU Detection

arxiv url: http://arxiv.org/abs/2609.31285v1
Date: Fri, 25 Sep 2026 13:56:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 18:27:51.415006
Title: MoTop: Motion-Topological Model For Micro AU Detection
Title（参考訳）: MoTop:マイクロAU検出のためのモーショントポロジーモデル
Abstract要約: 検出アクションユニット(AU)は、顔の動きをより細かく表現する。 AUの活性化領域の収縮性のため、AUの検出は困難である。学習可能な動きコンテキストで拡張された動きトポロジモデルである textbfMoTop を提案する。我々は,マイクロAU検出のためのCD6MEプロトコルの最先端性能を実現した。
参考スコア（独自算出の注目度）: 20.595304329795226
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Facial micro-expressions are spontaneous, brief, and subtle facial movements that reveal suppressed emotions in high-stakes environments. In contrast to classic expression analysis, detecting action unit (AU) yields a finer representation of facial movements, serving as a preliminary step before defining expression classes and other downstream tasks. Therefore, it represents a crucial upstream task in facial analysis, and improving an AU detection module increases the precision of facial analysis. Despite that, detecting AU is challenging because of the constrictive nature of the AU activation regions, leading to confusion among different AUs known as AU ambiguity. To model the fine-scale changes, we propose \textbf{MoTop}, a motion-topological model that is augmented with a learnable motion context, yielding regional soft guidance for facial activity, followed by facial landmarks that capture the fine-scale topological changes of micro AUs. To increase the micro facial landmark representations, we amplify the encoded facial landmark transitions via linear extrapolation, thereby increasing the spatial proximity of landmarks and enhancing the low-intensity landmark dynamics. In addition, we design anatomical facial clusters that enhance the hierarchical representation, facilitating multi-scale modelling of facial geometry and improving micro-topological representations. With these contributions, we have achieved state-of-the-art performance on the CD6ME protocol for the micro AU detection task.
Abstract（参考訳）: 顔の微小表現は、自然に、短く、微妙な顔の動きであり、高い環境下で抑圧された感情を示す。古典的な表現分析とは対照的に、検出アクションユニット(AU)は、表情クラスやその他の下流タスクを定義する前の予備ステップとして機能し、顔の動きのより詳細な表現をもたらす。したがって、顔分析において重要な上流タスクであり、AU検出モジュールの改善により、顔分析の精度が向上する。それにもかかわらず、AUの活性化領域の制限的な性質のため、AU検出は困難であり、AU曖昧性として知られる異なるAU間で混乱を引き起こす。微視的変化をモデル化するために,学習可能な動きコンテキストで拡張した動きトポロジモデルである「textbf{MoTop}」を提案し,それに続いて,マイクロAUの微視的トポロジ的変化を捉えた顔のランドマークを提案する。マイクロ顔のランドマーク表現を増やすため、線形外挿により符号化された顔のランドマーク遷移を増幅し、ランドマークの空間的近接性を高め、低強度ランドマークダイナミクスを強化する。さらに, 顔形状のマルチスケールモデリングを容易にし, マイクロトポロジカルな表現を改善する解剖学的顔クラスターを設計する。これらの貢献により、我々はマイクロAU検出タスクのためのCD6MEプロトコルの最先端性能を達成した。

関連論文リスト

STAG: Spatio-temporal Evolving Structural Representation of Action Units for Micro-expression Recognition [0.7799711162530713]
微小な表情認識は、微妙で短命な顔面筋運動のために困難である。既存の手法は頂点オンセットのフレームに大きく依存し、微粒なフレーム間ダイナミクスを見落とし、空間情報と時間情報を別々にモデル化する。本稿では,動的ROI-AU結合型時空間ネットワークSTAGを提案する。
論文参考訳（メタデータ） (2026-06-26T13:46:48Z)
Talking Head Generation via AU-Guided Landmark Prediction [48.30051606459973]
顔行動単位(AUs)を用いた微粒化表現制御による音声駆動音声ヘッド生成のための2段階フレームワークを提案する。第1段階では、変動運動生成器は、音声およびAU強度から時間的にコヒーレントなランドマークシーケンスを予測する。第2段階では、拡散に基づく合成器がこれらのランドマークと参照画像に調和したリアルなリップ同期ビデオを生成する。
論文参考訳（メタデータ） (2025-09-24T04:01:57Z)
PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
論文参考訳（メタデータ） (2025-05-06T15:18:38Z)
Infused Suppression Of Magnification Artefacts For Micro-AU Detection [18.541798482576326]
顔の微小表現は自然に、短く、微妙な顔の動きであり、基礎となる、抑制された感情を明らかにする。マイクロ・エクスプレッション分析の難しさの1つは、顔の動きが微妙で短くなっていることである。本稿では,アクション・ユニット(AU)学習を制約するために動作コンテキストを活用する一元的特徴注入フレームワークであるInfuseNetを提案する。
論文参考訳（メタデータ） (2025-04-12T20:08:21Z)
Multi-Scale Spatio-Temporal Graph Convolutional Network for Facial Expression Spotting [11.978551396144532]
表情スポッティングのためのマルチスケール時空間グラフコナーネットワーク(SpoT-CN)を提案する。窓長がネットワークの時間的受容野に適応するコンパクトなスライディングウインドウにおいて,顔面筋の短期的および長期的運動を追跡する。このネットワークは,提案した顔局所進化グラフプーリング(FLGP)を用いて,複数スケールの顔グラフ構造から局所的特徴と大域的特徴を学習する。
論文参考訳（メタデータ） (2024-03-24T03:10:39Z)
From Static to Dynamic: Adapting Landmark-Aware Image Models for Facial Expression Recognition in Videos [88.08209394979178]
野生における動的表情認識(DFER)は、データ制限によって依然として妨げられている。抽出された顔のランドマーク認識機能に暗黙的に符号化された既存のSFER知識と動的情報を活用する新しい静的・動的モデル(S2D)を提案する。
論文参考訳（メタデータ） (2023-12-09T03:16:09Z)
Objective Class-based Micro-Expression Recognition through Simultaneous Action Unit Detection and Feature Aggregation [18.35953886595087]
目的クラスに基づくマイクロ圧縮認識(MER)のための新しいディープニューラルネットワークモデルを提案する。我々のモデルは同時にアクションユニット(AU)を検出し、AUレベルの特徴をマイクロ圧縮レベル表現に集約する。私たちのアプローチは、MERの現在の最新技術を大幅に上回ります。
論文参考訳（メタデータ） (2020-12-24T07:31:15Z)
Micro-Facial Expression Recognition Based on Deep-Rooted Learning Algorithm [0.0]
本稿では,MFEDRL(Micro-Facial Expression Based Deep-Rooted Learning)分類器を提案する。アルゴリズムの性能は認識率と偽測度を用いて評価する。
論文参考訳（メタデータ） (2020-09-12T12:23:27Z)
InterFaceGAN: Interpreting the Disentangled Face Representation Learned by GANs [73.27299786083424]
我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
論文参考訳（メタデータ） (2020-05-18T18:01:22Z)
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)

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。