基于差分注意力图的计算高效深度神经网络用于面部动作单元检测
计算机视觉与模式识别
2020-11-30 v2
摘要
本文提出一种计算高效的端到端训练深度神经网络(CEDNN)模型以及基于差分图像的空间注意力图。首先,通过图像处理生成差分图像。然后使用不同阈值获得差分图像的五个二值图像,将其用作空间注意力图。我们使用组卷积来降低模型复杂度。跳跃连接与 卷积用于即使网络模型不深也能保证良好性能。作为输入,空间注意力图可有选择地送入每个块的输入中。特征图更倾向于聚焦于与目标任务相关的部分。此外,我们仅需调整分类器参数即可训练不同数量的 AU。它可轻松扩展到不同数据集而不增加过多计算量。大量实验结果表明,所提 CEDNN 在 DISFA+ 和 CK+ 数据集上明显优于传统深度学习方法。加入空间注意力图后,结果优于最先进的 AU 检测方法。同时,网络规模小、运行速度快且对实验设备要求低。
引用
@article{arxiv.2011.12082,
title = {Computational efficient deep neural network with difference attention maps for facial action unit detection},
author = {Jing Chen and Chenhui Wang and Kejun Wang and Meichen Liu},
journal= {arXiv preprint arXiv:2011.12082},
year = {2020}
}