面向面部动作单元强度估计的深度结构化学习
计算机视觉与模式识别
2017-04-17 v1
摘要
我们考虑自动估计面部表情强度的任务。这涉及多个输出变量（面部动作单元——AUs）的估计，这些变量具有结构依赖性。其结构源于AU强度水平的统计诱导共现模式。对此结构建模对于提高估计性能至关重要；然而，该性能受限于从人脸图像提取的输入特征的质量。本文的目标是结合条件随机场(CRF)编码的AU依赖与深度学习，同时建模这些结构并估计复杂特征表示。为此，我们提出一种新颖的Copula CNN深度学习方法用于建模多元有序变量。我们的模型通过建模为CRF团簇的copula函数，考虑输出变量中的有序结构及其非线性依赖。这些与深度CNN特征编码层使用新引入的平衡批迭代训练算法联合优化。我们在两个基准数据集上的AU强度估计任务中展示了我们方法的有效性。我们表明，深度特征与目标输出结构的联合学习相比现有用于面部表情分析的深度结构化模型带来了显著的性能提升。
引用
@article{arxiv.1704.04481,
title = {Deep Structured Learning for Facial Action Unit Intensity Estimation},
author = {Robert Walecki and Ognjen and Rudovic and Vladimir Pavlovic and Björn Schuller and Maja Pantic},
journal= {arXiv preprint arXiv:1704.04481},
year = {2017}
}