面向高效面部表情识别的特征分解与重构学习
计算机视觉与模式识别
2021-04-22 v2
摘要
本文中，我们提出一种新颖的特征分解与重构学习（FDRL）方法以实现高效的面部表情识别。我们将表情信息视为不同表情间共享信息（表情相似性）与每一表情独有信息（表情特定变化）的组合。更具体地，FDRL 主要由两个关键网络构成：特征分解网络（FDN）与特征重构网络（FRN）。特别地，FDN 首先从骨干网络提取的基础特征中分解出一组面部动作感知潜在特征以建模表情相似性。随后，FRN 捕获潜在特征的 intra-feature 与 inter-feature 关系以刻画表情特定变化，并重构表情特征。为此，FRN 中开发了包含特征内关系建模模块与特征间关系建模模块的两个模块。在实验室数据库（包括 CK+、MMI 与 Oulu-CASIA）和野外数据库（包括 RAF-DB 与 SFEW）上的实验结果表明，所提 FDRL 方法一致地取得了比若干最先进（SOTA）方法更高的识别准确率。这清晰地凸显了特征分解与重构对表情分类的益处。
引用
@article{arxiv.2104.05160,
title = {Feature Decomposition and Reconstruction Learning for Effective Facial Expression Recognition},
author = {Delian Ruan and Yan Yan and Shenqi Lai and Zhenhua Chai and Chunhua Shen and Hanzi Wang},
journal= {arXiv preprint arXiv:2104.05160},
year = {2021}
}
备注
accepted to CVPR 2021