view in publisher's site

Pairwise Conditional Random Forests for Facial Expression Recognition

Facial expression can be seen as the dynamic variation of one's appearance over time. Successful recognition thus involves finding representations of high-dimensional spatiotemporal patterns that can be generalized to unseen facial morphologies and variations of the expression dynamics. In this paper, we propose to learn Random Forests from heterogeneous derivative features (e.g. facial fiducial point movements or texture variations) upon pairs of images. Those forests are conditioned on the expression label of the first frame to reduce the variability of the ongoing expression transitions. When testing on a specific frame of a video, pairs are created between this frame and the previous ones. Predictions for each previous frame are used to draw trees from Pairwise Conditional Random Forests (PCRF) whose pairwise outputs are averaged over time to produce robust estimates. As such, PCRF appears as a natural extension of Random Forests to learn spatio-temporal patterns, that leads to significant improvements over standard Random Forests as well as state-of-the-art approaches on several facial expression benchmarks.

Forests شرطی مشروط به صورت تصادفی برای شناسایی حالات صورت

حالت صورت می‌تواند به صورت تغییر پویا ظاهر one's در طول زمان دیده شود. بنابراین شناسایی موفق شامل یافتن نمایش الگوهای spatiotemporal ابعادی بالا است که می توان آن‌ها را به مورفولوژی چهره و تغییرات حالت چهره تعمیم داد. در این مقاله، ما پیشنهاد می‌کنیم که جنگل‌های تصادفی از ویژگی‌های مشتق‌شده مختلف را یاد بگیریم (به عنوان مثال، حرکات نشانگر صورت و یا تغییرات بافت)بر روی جفت تصویر. آن جنگل‌ها بر روی برچسب بیان اولین چارچوب برای کاهش تغییرپذیری انتقال بیان در حال انجام، شرطی شده‌اند. هنگامی که تست در یک فریم خاص از یک ویدئو انجام می‌شود، زوج‌های بین این چارچوب و موارد قبلی ایجاد می‌شوند. پیش‌بینی‌ها برای هر فریم قبلی برای کشیدن درختان از جنگل‌های تصادفی شرطی جفتی (PCRF)استفاده می‌شود که خروجی‌های جفتی آن به طور میانگین در طول زمان برای تولید برآورده‌ای قوی محاسبه می‌شوند. به این ترتیب، PCRF به عنوان یک تعمیم طبیعی از جنگل‌های تصادفی به منظور یادگیری الگوهای زمانی - زمانی به نظر می‌رسد، که منجر به بهبودهای قابل‌توجهی بر روی جنگل‌های تصادفی استاندارد و نیز رویکردهای هنر در چندین معیار صورت صورت می‌شود.
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.