.png){kind=icon}
返回
Robust Dynamic Facial Expression Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/TBIOM.2025.3546279.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（DFER）的研究是一个新兴的研究领域，涉及在视频数据中对面部表情进行自动识别。尽管现有研究主要关注在噪声和困难样本下学习表示，但两种样本共存的问题仍未解决。为了克服这一挑战，本文提出了一种区分困难样本和噪声样本的鲁棒方法。这是通过评估模型在不同采样片段上的预测一致性来实现的。随后，可以采用强化困难样本学习并缓解噪声样本影响的方法。此外，为了识别视频中的主要表情并增强模型的学习表示能力，提出了一个关键表情重采样框架和双流分层网络，即鲁棒动态面部表情识别（RDFER）。关键表情重采样框架旨在识别关键表情，从而缓解非目标表情可能引起的混淆。RDFER采用两种序列模型，旨在分离短期面部运动和长期情绪变化。通过在DFEW和FERV39K等基准数据集上的大量实验，所提出的方法已被证明优于当前的DFER领域先进方法。全面的分析为所提出的协议提供了宝贵的见解和观察结果。这项工作对动态面部表情识别领域具有重要意义，并促进了动态面部表情识别中噪声一致鲁棒学习领域的发展。代码可从[https://github.com/Cross-Innovation-Lab/RDFER]获取。
Keyword:
Noise measurement
Face recognition
Noise
Training
Heavily-tailed distribution
Feature extraction
Transformers
Emotion recognition
Speech recognition
Representation learning
Robust dynamic facial expression recognition
noisy samples
hard samples
computational perception