Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

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 Menggabungkan Rangkaian Neural Konvolusi 3D dengan Pembelajaran Pemindahan oleh Pra-Latihan Terselia untuk Pengecaman Ekspresi Mikro Muka

Ruicong ZHI, Hairui XU, Ming WAN, Tingting LI

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Ekspresi mikro muka ialah tindak balas muka yang seketika dan halus, dan masih mencabar untuk mengenali ekspresi mikro muka secara automatik dengan ketepatan yang tinggi dalam aplikasi praktikal. Mengekstrak ciri spatiotemporal daripada jujukan imej muka adalah penting untuk pengecaman ekspresi mikro muka. Dalam makalah ini, kami menggunakan Rangkaian Neural Konvolusi 3D (3D-CNN) untuk pengekstrakan ciri pembelajaran kendiri untuk mewakili ekspresi mikro muka dengan berkesan, kerana 3D-CNN boleh mengekstrak ciri spatiotemporal daripada jujukan imej muka. Selain itu, pembelajaran pemindahan telah digunakan untuk menangani masalah sampel yang tidak mencukupi dalam pangkalan data ekspresi mikro muka. Kami terutamanya melatih 3D-CNN pada pangkalan data ekspresi muka biasa Oulu-CASIA dengan pembelajaran diselia, kemudian model pra-latihan telah dipindahkan dengan berkesan ke domain sasaran, iaitu tugas pengecaman ekspresi mikro muka. Kaedah yang dicadangkan telah dinilai pada dua set data ekspresi mikro muka yang tersedia, iaitu CASME II dan SMIC-HS. Kami memperoleh ketepatan keseluruhan sebanyak 97.6% pada CASME II, dan 97.4% pada SMIC, masing-masing 3.4% dan 1.6% lebih tinggi daripada model 3D-CNN tanpa pembelajaran pemindahan. Dan keputusan eksperimen menunjukkan bahawa kaedah kami mencapai prestasi unggul berbanding kaedah terkini.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E102-D No.5 pp.1054-1064
Tarikh penerbitan
2019/05/01
Diumumkan
2019/01/29
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.2018EDP7153
Jenis Manuskrip
PAPER
kategori
Pengiktirafan Corak

Pengarang

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

Kata kunci

Contents [show]