地址：/shirley-bhu/p/9111663.html
用于面部微表情识别的丰富长期递归卷积网络
论文地址：
链接：/s/19l51NVCcwq9b8H69Yrze5g
提取码：mgij
GitHub：/IcedDoggie/Micro-Expression-with-Deep-Learning
摘要
面部微表情识别因其在运动中的微妙性和有限的数据库而对研究人员提出了巨大的挑战。最近，手工技术在微表情识别方面取得了优异的性能，但代价是领域特异性和繁琐的参数调整。在本文中，我们提出了一个丰富的长期递归卷积网络(ELRCN)，它首先通过CNN模块将每个微表情帧编码成一个特征向量，然后通过长短期记忆(LSTM)模块预测微表情。该框架包含两种不同的网络变体:(1)用于空间丰富的输入数据的通道式堆叠(2)用于时间富集的特征的特征方式堆叠。我们证明了所提出的方法能够在不增加数据的情况下获得相当好的性能。此外，我们还介绍了在预测微表情类别时，CNN“看到”的框架和可视化方面进行的消融研究。
相关工作
在过去的五年中，已经提出了许多工作来解决ME识别问题。 为了促进自发面部微表情分析（即SMIC [4]，CASME II [5]，SAMM [6]，[7]）的计算研究而建立的数据库主要选择具有三个正交平面的局部二值模式（LBP-TOP） [13]作为他们的主要基线特征提取器。 LBP-TOP是经典的局部二进制模式（LBP）描述符[14]的时空扩展，它通过将二进制码矢量编码为直方图来表征局部纹理信息。 LBP-TOP从三个平面（XY，XT，YT）中的每一个中提取所述直方图并将它们连接成单个特征直方图。 LBP虽然以其简单的计算而闻名，但由于其对照度变化和图像变换的鲁棒性而被广泛使用。
生词短语
domain specificity and cumbersome parametric tunings. 领域特异性和繁琐的参数调整
