用于面部微表情识别的增强型长时序循环卷积网络
计算机视觉与模式识别
2018-05-23 v1
摘要
面部微表情（ME）识别因其运动细微且数据库有限，对研究者构成了巨大挑战。近来，手工设计技术在微表情识别上取得了优越性能，但代价是领域特定性与繁琐的参数调优。本文中，我们提出一种增强型长时序循环卷积网络（ELRCN），其首先通过CNN模块将每帧微表情编码为特征向量，再将特征向量送入长短期记忆（LSTM）模块以预测微表情。该框架包含两种不同的网络变体：（1）输入数据的通道维堆叠以实现空间增强；（2）特征的特征维堆叠以实现时间增强。我们证明所提方法无需数据增强即可取得相当好的性能。此外，我们还给出了在该框架上进行的消融研究，以及CNN预测微表情类别时“所见”的可视化。
引用
@article{arxiv.1805.08417,
title = {Enriched Long-term Recurrent Convolutional Network for Facial Micro-Expression Recognition},
author = {Huai-Qian Khor and John See and Raphael C. W. Phan and Weiyao Lin},
journal= {arXiv preprint arXiv:1805.08417},
year = {2018}
}
备注
Published in Micro-Expression Grand Challenge 2018, Workshop of 13th IEEE Facial & Gesture 2018