A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Combining 3D Convolutional Neural Networks with Transfer Learning by Supervised Pre-Training for Facial Micro-Expression Recognition Combinação de redes neurais convolucionais 3D com aprendizagem por transferência por pré-treinamento supervisionado para reconhecimento de microexpressões faciais

Ruicong ZHI, Hairui XU, Ming WAN, Tingting LI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A microexpressão facial consiste em reações faciais momentâneas e sutis, e ainda é um desafio reconhecer automaticamente a microexpressão facial com alta precisão em aplicações práticas. Extrair características espaçotemporais de sequências de imagens faciais é essencial para o reconhecimento de microexpressões faciais. Neste artigo, empregamos Redes Neurais Convolucionais 3D (3D-CNNs) para extração de características de autoaprendizagem para representar efetivamente a microexpressão facial, uma vez que as 3D-CNNs poderiam muito bem extrair as características espaço-temporais de sequências de imagens faciais. Além disso, a aprendizagem por transferência foi utilizada para lidar com o problema de amostras insuficientes no banco de dados de microexpressões faciais. Nós pré-treinamos principalmente os 3D-CNNs no banco de dados de expressões faciais normais Oulu-CASIA por aprendizado supervisionado, então o modelo pré-treinado foi efetivamente transferido para o domínio alvo, que era a tarefa de reconhecimento de microexpressão facial. O método proposto foi avaliado em dois conjuntos de dados de microexpressão facial disponíveis, ou seja, CASME II e SMIC-HS. Obtivemos a precisão geral de 97.6% no CASME II e 97.4% no SMIC, que foram 3.4% e 1.6% maiores que o modelo 3D-CNNs sem aprendizagem por transferência, respectivamente. E os resultados experimentais demonstraram que nosso método alcançou desempenho superior em comparação aos métodos mais modernos.

Publicação
IEICE TRANSACTIONS on Information Vol.E102-D No.5 pp.1054-1064
Data de publicação
2019/05/01
Publicitada
2019/01/29
ISSN online
1745-1361
DOI
10.1587/transinf.2018EDP7153
Tipo de Manuscrito
PAPER
Categoria
Reconhecimento de Padrões

autores

Ruicong ZHI
  University of Science and Technology Beijing,Beijing Key Laboratory of Knowledge Engineering for Materials Science
Hairui XU
  University of Science and Technology Beijing,Beijing Key Laboratory of Knowledge Engineering for Materials Science
Ming WAN
  University of Science and Technology Beijing,Beijing Key Laboratory of Knowledge Engineering for Materials Science
Tingting LI
  University of Science and Technology Beijing,Beijing Key Laboratory of Knowledge Engineering for Materials Science

Palavra-chave