面向面部动作单元识别的卷积神经网络滤波器尺寸优化
计算机视觉与模式识别
2017-11-27 v2
摘要
在自发面部表情中识别面部动作单元（AU）是一项具有挑战性的问题。最近，卷积神经网络（CNN）在面部AU识别中展现出良好前景，其中采用了预定义且固定的卷积滤波器尺寸。为了获得最佳性能，最优滤波器尺寸通常需要通过大量实验验证以经验方式确定。这种训练过程面临高昂的训练成本，尤其是当网络变得更深时。本文提出了一种新颖的优化滤波器尺寸CNN（OFS-CNN），其中所有卷积层的滤波器尺寸和权重在学习卷积滤波器的同时从训练数据中同步学习。具体而言，滤波器尺寸被定义为连续变量，通过最小化训练损失进行优化。在两个AU编码的自发面部表情数据库上的实验结果表明，所提出的OFS-CNN能够针对不同图像分辨率估计最优滤波器尺寸，并且优于通过穷举搜索获得最佳滤波器尺寸的传统CNN。OFS-CNN也击败了使用多种滤波器尺寸的CNN，更重要的是，在所提出的前向-反向传播算法下，其测试效率要高得多。
引用
@article{arxiv.1707.08630,
title = {Optimizing Filter Size in Convolutional Neural Networks for Facial Action Unit Recognition},
author = {Shizhong Han and Zibo Meng and Zhiyuan Li and James O'Reilly and Jie Cai and Xiaofeng Wang and Yan Tong},
journal= {arXiv preprint arXiv:1707.08630},
year = {2017}
}