用于面部表情识别的协方差池化
计算机视觉与模式识别
2018-05-15 v1
摘要
将面部表情分类为不同类别需要捕捉面部标志点的局部形变。我们认为协方差等二阶统计量更能捕捉局部面部特征中的此类形变。本工作中，我们探索使用流形网络结构进行协方差池化以提升面部表情识别的益处。具体而言，我们首先以端到端深度学习方式，将此类流形网络与传统卷积网络结合，用于单个图像特征图内的空间池化。由此，我们在 Static Facial Expressions in the Wild（SFEW 2.0）验证集上达到 58.14% 的识别准确率，在 Real-World Affective Faces（RAF）数据库验证集上达到 87.0%。这两项结果均为我们所知的最佳结果。此外，我们利用协方差池化捕捉基于视频的面部表情识别中逐帧特征的时间演化。我们报告的结果展示了通过在卷积网络层之上堆叠所设计的协方差池化流形网络来时间上池化图像集特征的优势。
引用
@article{arxiv.1805.04855,
title = {Covariance Pooling For Facial Expression Recognition},
author = {Dinesh Acharya and Zhiwu Huang and Danda Paudel and Luc Van Gool},
journal= {arXiv preprint arXiv:1805.04855},
year = {2018}
}