DeepCoder：用于自动面部动作编码的半参数变分自编码器
计算机视觉与模式识别
2017-08-08 v2
摘要
人脸在其表示中展现出固有的层次结构（即，整体面部表情可以通过一组面部动作单元（AUs）及其强度来编码）。变分（深度）自编码器（VAE）在从大量图像数据中无监督提取层次潜表示方面显示出极好结果，同时对噪声和其他不期望的伪影具有鲁棒性。潜在地，这使得VAE成为用于学习面部特征以进行AU强度估计的合适方法。然而，大多数现有的基于VAE的方法应用从编码特征单独学习的分类器。相比之下，非参数（概率）方法，如高斯过程（GPs），通常优于其参数对应方法，但不能轻易处理大量数据。为此，我们提出一种名为DeepCoder的新型VAE半参数建模框架，它结合了参数（卷积）和非参数（序数GPs）VAE的建模能力，用于联合学习（1）任务层次结构中多层次的潜表示，以及（2）多个序数输出的分类。我们在用于AU强度估计的基准数据集上表明，所提出的DeepCoder优于最先进的方法以及相关的VAE和深度学习模型。
引用
@article{arxiv.1704.02206,
title = {DeepCoder: Semi-parametric Variational Autoencoders for Automatic Facial Action Coding},
author = {Dieu Linh Tran and Robert Walecki and Ognjen Rudovic and Stefanos Eleftheriadis and Bjørn Schuller and Maja Pantic},
journal= {arXiv preprint arXiv:1704.02206},
year = {2017}
}
备注
ICCV 2017 - accepted