LEARNet：用于微表情识别的动态成像网络
计算机视觉与模式识别
2020-01-08 v1
摘要
与常见面部表情不同，微表情具有细微、不自主的肌肉运动，且持续时间短暂。这些微小肌肉运动反映了一个人的真实情绪。由于时长短、强度低，这些微表情极难被正确感知与解读。本文提出微表情的动态表示，将视频中的面部运动信息保留于单帧中。我们还提出横向累积混合网络（LEARNet）以捕获面部区域中表情的微级特征。LEARNet通过在网络中引入累积层（AL）以累积方式精炼显著表情特征。AL的响应保留了由先前横向连接的卷积层生成的混合特征图。此外，LEARNet架构融入了卷积层间的解耦交叉关系，有助于保留微小但关键的面部肌肉变化信息。所提LEARNet的视觉响应通过保留面部表情的高层与微级边缘特征展现了系统的有效性。所提LEARNet的有效性在四个基准数据集CASME-I、CASME-II、CAS(ME)^2和SMIC上进行了评估。实验结果表明，与ResNet相比，在CASME-I、CASME-II、CAS(ME)^2和SMIC数据集上分别显著提升了4.03%、1.90%、1.79%和2.82%。
引用
@article{arxiv.1904.09410,
title = {LEARNet Dynamic Imaging Network for Micro Expression Recognition},
author = {Monu Verma and Santosh Kumar Vipparthi and Girdhari Singh and Subrahmanyam Murala},
journal= {arXiv preprint arXiv:1904.09410},
year = {2020}
}
备注
Dynamic imaging, accretion, lateral, micro expression recognition