.png){kind=icon}
返回
Enhanced multi-Scale Dynamic Facial Expression Recognition via Conditional Random Fields
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-025-04192-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态面部表情识别高度依赖微妙的面部肌肉运动，给计算机视觉带来了显著挑战。本文介绍了一种基于条件随机场（MS-CRFNet）的多尺度时空网络，利用多尺度特征来解释面部表情。残差网络（ResNet）作为骨干特征提取器，构建了多尺度两层特征金字塔。条件随机场层（CRFLayer）交换并融合提取的时空信息，而多尺度交叉融合模块（MCFuse）以自顶向下的方式逐步融合跨尺度的关键信息，以获得最终输出特征。这些特征随后由全卷积（FC）层进行分类，实现对七种基本表情类别的识别。在DFEW和FERV39K数据集上的实验评估证明了所提网络的鲁棒性和有效性，在DFEW上实现了66.81%的加权平均召回率（WAR）和54.00%的非加权平均召回率（UAR），在FERV39K上实现了46.83%的WAR和37.72%的UAR。这些结果表明该网络对现实世界分类场景的适应性。代码可在https://github.com/025HanZheng520/MS.git获取，DOI为https://doi.org/10.5281/zenodo.15068420。
Keyword:
Dynamic facial expression recognition
Transformer
Conditional random fields
Multi-scale features
期刊
T
IF:
0
论文数:
369
被引数:
0
机构
引用论文
Multi-scale active patches fusion based on spatiotemporal LBP-TOP for micro-expression recognition
PREAI
分享收藏分享收藏STA-TSN: Spatial-Temporal Attention Temporal Segment Network for action recognition in video.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏DLSANet: facial expression recognition with double-code LBP-layer spatial-attention networkDLSANet：基于双码LBP层空间注意力网络的表情识别
IF0
PREAI
分享收藏分享收藏Expression snippet transformer for robust video-based facial expression recognitionPATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Continuous Emotion Recognition for Long-Term Behavior Modeling through Recurrent Neural NetworksTechnologiesOAAI
TechnologiesIF0
OAAI分享收藏
查看更多内容