.png){kind=icon}
返回
Enhancement-suppression driven lightweight fine-grained micro-expression recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jvcir.2024.104383.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微表情是短暂且真实的情绪表达，应用于欺骗检测、犯罪分析和医学诊断等多个领域。尽管基于深度学习的方法在微表情识别中取得了卓越的性能，但面向终端应用的轻量级网络的识别性能仍不理想。这主要是因为现有模型要么过度关注单一区域，要么在识别不同区域时缺乏全面性，导致精细特征的提取不足。为解决此问题，本文提出了一种轻量级微表情识别框架——轻量级精细网络（LFGNet）。所提出的网络采用EdgeNeXt作为骨干网络，以有效结合局部和全局特征，从而在捕捉微表情动作的同时显著降低模型复杂度。为进一步增强模型的特征提取能力，开发了增强-抑制模块（ESM），其中特征抑制模块（FSM）用于强制模型在深层提取其他潜在特征。最后，提出了一种多尺度特征融合模块（FFM），用于权衡不同粒度尺度上学习特征的融合，以提高模型的鲁棒性。来自四个数据集的实验结果表明，所提出的方法在识别精度和模型复杂度方面均优于现有方法。
Keyword:
Micro-expression recognition
Lightweight network
Fine-grained features
Attention mechanism
Multi-scale fusion
期刊
IF:
3.1
论文数:
540
被引数:
5.6K
机构
引用论文
Multi-scale active patches fusion based on spatiotemporal LBP-TOP for micro-expression recognition
.png){kind=icon}
PREAI
分享收藏
ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture DesignShuffleNet V2: 高效CNN架构设计的实用指南
PREAI
分享收藏Spatiotemporal Recurrent Convolutional Networks for Recognizing Spontaneous Micro-Expressions用于自发微表情识别的时空循环卷积网络
OAAI
OAAI分享收藏
查看更多内容