基于渐进时空双线性网络与蒙特卡洛 Dropout 的具不确定性估计的 landmarks 面部表情识别
计算机视觉与模式识别
2021-06-09 v1 计算复杂性
人机交互
摘要
深度神经网络已广泛用于面部表情识别系统中的特征学习。然而，小数据集和大的类内差异会导致过拟合。本文中，我们提出一种利用局部面部 landmarks 特征学习优化紧凑网络拓扑以实现实时面部表情识别的方法。我们的方法采用时空双线性层作为骨干，以有效捕获面部表情执行过程中面部 landmarks 的运动。此外，它利用 Monte Carlo Dropout 捕获模型的不确定性，这对分析和处理不确定情形至关重要。我们的方法在三个广泛使用的数据集上进行了评估，其性能可与基于视频的最先进方法媲美，同时复杂度大幅降低。
引用
@article{arxiv.2106.04332,
title = {Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout for Landmark-based Facial Expression Recognition with Uncertainty Estimation},
author = {Negar Heidari and Alexandros Iosifidis},
journal= {arXiv preprint arXiv:2106.04332},
year = {2021}
}
备注
6 pages, 3 figures, 3 tables