LOMo：用于视频中面部分析的潜在序数模型
计算机视觉与模式识别
2016-04-07 v1
摘要
我们研究视频中的面部分析问题。我们提出了一种新颖的弱监督学习方法，将视频事件（表情、疼痛等）建模为自动挖掘的、有区分性的子事件序列（例如微笑的起始和结束阶段，疼痛的皱眉和脸颊抬起）。所提出的模型受到近期多示例学习（Multiple Instance Learning）和潜在SVM/HCRF工作的启发——它扩展了此类框架以近似地建模视频中的序数或时间方面。我们在四个具有挑战性且公开可用的基于视频的面部分析数据集上，针对表情、临床疼痛以及双人对话中的意图预测，相比相关竞争基线获得了持续的改进。结合互补特征，我们在这些数据集上报告了SOTA结果。
引用
@article{arxiv.1604.01500,
title = {LOMo: Latent Ordinal Model for Facial Analysis in Videos},
author = {Karan Sikka and Gaurav Sharma and Marian Bartlett},
journal= {arXiv preprint arXiv:1604.01500},
year = {2016}
}
备注
2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)