学习排序起始-发生-结束表征用于微表情识别
计算机视觉与模式识别
2023-10-10 v1
摘要
本文聚焦于微表情识别(MER)研究,提出了一种灵活可靠的深度学习方法,称为学习排序起始-发生-结束表征(LTR3O)。LTR3O 方法引入了一种称为 3O 的动态且缩减尺寸的序列结构,该结构由起始帧、发生帧和结束帧组成,用于表示微表情(MEs)。该结构有助于后续 ME 判别性特征的学习。3O 结构的一个显著优势是其灵活性,因为发生帧是从原始 ME 序列中随机提取的,无需精确的帧定位方法。基于 3O 结构,LTR3O 为每个 ME 样本生成多个 3O 表征候选,并融入精心设计的模块来度量与校准其情感表现力。该校准过程确保这些候选在时间上的分布与宏表情(MaMs)一致。因此,MEs 的可见性可被隐式增强,从而促进更判别性特征的可靠学习以用于 MER。我们使用三个广泛使用的 ME 数据库 CASME II、SMIC 和 SAMM 进行了大量实验来评估 LTR3O 的性能。实验结果表明,与近期最先进的 MER 方法相比,LTR3O 尤其是其灵活性与可靠性方面具有有效性和优越性能。
引用
@article{arxiv.2310.04664,
title = {Learning to Rank Onset-Occurring-Offset Representations for Micro-Expression Recognition},
author = {Jie Zhu and Yuan Zong and Jingang Shi and Cheng Lu and Hongli Chang and Wenming Zheng},
journal= {arXiv preprint arXiv:2310.04664},
year = {2023}
}