基于主动成像的OrigiNet引入非线性以改善微表情识别
计算机视觉与模式识别
2020-05-19 v1
摘要
微表情识别（MER）是一项极具挑战性的任务，因为表情在本质上持续时间极短，且需要在空间与时态动态共同参与下进行特征建模。现有MER系统利用CNN网络来捕捉微小肌肉运动与细微变化的重要特征。然而，现有网络未能建立面部外观的空间特征与面部动态的时态变化之间的关系。因此，这些网络无法有效捕获表情区域的微小变异与细微改变。为解决这些问题，我们引入主动成像概念，将视频中表情区域的活跃变化分离至单帧，同时保留面部外观信息。此外，我们提出一种浅层CNN网络：基于混合局部感受野的增强学习网络（OrigiNet），可高效学习视频中微表情的显著特征。本文提出一种新的精炼修正线性单元（RReLU），克服了梯度消失与ReLU死亡问题。与现有激活函数相比，RReLU拓展了导数范围。RReLU不仅注入非线性，还通过施加加性与乘性性质捕获真实边缘。进一步，我们提出一种增强特征学习块，通过嵌入两个并行全连接层来提升网络的学习能力。所提OrigiNet的性能通过在四个综合微表情数据集上留一受试者交叉实验进行评估。实验结果表明，OrigiNet以更低的计算复杂度优于现有最优技术。
引用
@article{arxiv.2005.07991,
title = {Non-Linearities Improve OrigiNet based on Active Imaging for Micro Expression Recognition},
author = {Monu Verma and Santosh Kumar Vipparthi and Girdhari Singh},
journal= {arXiv preprint arXiv:2005.07991},
year = {2020}
}