Kernekoncepter
Automatische Verbesserung der Gesichtsausdrucks entscheidenden Regionen durch lokales und nicht-lokales Netzwerk.
Resumé
Das Paper untersucht die Bedeutung der Gesichtsausdrucks entscheidenden Regionen für die Gesichtserkennung und schlägt ein lokales nicht-lokales gemeinsames Netzwerk vor, um diese Regionen in der Feature-Lernphase anzupassen. Die Methode erzielt wettbewerbsfähige Leistungen auf fünf Benchmark-Datensätzen.
-
Einleitung:
- Emotionen sind komplexe Zustände, die durch Gesichtsausdrücke kommuniziert werden.
- Gesichtserkennung spielt eine wichtige Rolle in verschiedenen Anwendungen.
-
Bedeutung der Gesichtsausdrucks entscheidenden Regionen:
- Lokale und nicht-lokale Informationen werden genutzt, um die entscheidenden Regionen anzupassen.
- Automatische Verbesserung der Regionen ohne manuelle Annotation.
-
Lokales Nicht-Lokales Gemeinsames Netzwerk:
- Konstruktion von zwei Teilen: Lokales Multi-Netzwerk-Ensemble und Nicht-Lokales Aufmerksamkeitsnetzwerk.
- Integration von lokalen und nicht-lokalen Merkmalen in der Feature-Lernphase.
-
Experimentelle Ergebnisse:
- Überlegenheit der vorgeschlagenen Methode gegenüber anderen State-of-the-Art-Methoden auf fünf Datensätzen.
- Durchschnittliche Genauigkeit von 74,03% auf allen Datensätzen.
Statistik
Es ist schwierig, Gesichtsausdrucks entscheidende Punkte manuell zu annotieren, insbesondere bei wilden Ausdrucksbildern.
Die vorgeschlagene Methode erzielt wettbewerbsfähige Leistungen auf fünf Benchmark-Datensätzen.
Die Gewichte der entscheidenden Regionen werden automatisch angepasst, um die Leistung der Gesichtserkennung zu verbessern.
Citater
"Die vorgeschlagene Methode kann einige entscheidende Regionen automatisch verbessern, ohne Informationen über Gesichtslandmarken zu haben."
"Die Gewichte der nicht-lokalen Regionen werden allmählich aktualisiert, wobei höhere Gewichte den wichtigeren Regionen zugewiesen werden."