view in publisher's site

Joint Fine-Tuning in Deep Neural Networks for Facial Expression Recognition

Temporal information has useful features for recognizing facial expressions. However, to manually design useful features requires a lot of effort. In this paper, to reduce this effort, a deep learning technique, which is regarded as a tool to automatically extract useful features from raw data, is adopted. Our deep network is based on two different models. The first deep network extracts temporal appearance features from image sequences, while the other deep network extracts temporal geometry features from temporal facial landmark points. These two models are combined using a new integration method in order to boost the performance of the facial expression recognition. Through several experiments, we show that the two models cooperate with each other. As a result, we achieve superior performance to other state-of-the-art methods in the CK+ and Oulu-CASIA databases. Furthermore, we show that our new integration method gives more accurate results than traditional methods, such as a weighted summation and a feature concatenation method.

Tuning مشترک در شبکه‌های عصبی عمیق برای شناسایی بیان صوری

اطلاعات زمانی ویژگی‌های مفیدی برای تشخیص حالات چهره دارد. با این حال، برای طراحی دستی ویژگی‌های مفید نیازمند تلاش زیادی است. در این مقاله، برای کاهش این تلاش، یک تکنیک یادگیری عمیق، که به عنوان ابزاری برای استخراج خودکار ویژگی‌های مفید از داده‌های خام در نظر گرفته می‌شود، پذیرفته شده‌است. شبکه عمیق ما مبتنی بر دو مدل متفاوت است. اولین شبکه عمیق ویژگی‌های ظاهری را از دنباله‌های تصویر استخراج می‌کند، در حالی که دیگر شبکه عمیق ویژگی‌های هندسه موقتی را از نقاط برجسته صورت استخراج می‌کند. این دو مدل با استفاده از روش انتگرال گیری جدید برای افزایش عملکرد بازشناسی چهره صورت ترکیب می‌شوند. ما از طریق چندین آزمایش نشان می‌دهیم که دو مدل با یکدیگر هم‌کاری می‌کنند. در نتیجه، ما عملکرد برتر را برای سایر روش‌های هنری در پایگاه‌های اطلاعاتی CK + و Oulu - CASIA به دست می‌آوریم. علاوه بر این، ما نشان می‌دهیم که روش ادغام جدید ما نتایج دقیق تری نسبت به روش‌های سنتی ارایه می‌دهد، مانند یک جمع وزنی و یک روش الحاقی ویژگی‌ها.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.