结合特征解耦和静动态联合图卷积网络的人脸属性识别

现有的人脸属性识别方法或采用属性分组的方式提取特征,或计算属性共现概率构造静态属性关系图.前者学习的属性间互补信息不充足,且无法确定组间属性的相关性和属性间的相关程度;后者在人脸图像出现偶然共现属性对时存在偏差,可能会降低模型的通用性.为解决上述问题,提出一种结合特征解耦和静动态联合图卷积网络的人脸属性识别方法.首先使用深度卷积神经网络ResNet-50提取包含属性表示信息的特征;然后设计特征解耦模块,学习得到每种属性对应的特定特征;最后联合属性关系的静态图和动态图,通过图卷积网络学习属性之间的相关性并使用一维卷积层识别人脸属性.在CelebA和LFWA数据集上进行验证,所提方法的平均准确率分别达到91.85%和88.17%,优于许多已有的方法.

结合特征融合和注意力机制的微表情识别方法

微表情指当人们试图隐藏或抑制自己的真实情感时,脸上出现的一种无法控制的肌肉运动。此类情绪面部表情由于具有持续时间短、动作幅度小、难以掩饰和抑制的特点,因此其识别精度受到了制约。为了应对这些挑战,文中提出一种结合特征融合和注意力机制的微表情识别方法,同时考虑了光流特征和人脸特征,通过进一步加入注意力机制来提升识别性能。该网络由3个部分组成:1)提取每个微表情片段中Onset到Apex的光流与光学应变,将垂直光流、水平光流、光学应变输入到一个浅层3DCNN中,以提取光流特征;2)以深度卷积神经网络ResNet-10为迁移模型,加入卷积注意力模块以提取人脸特征;3)将两个特征向量拼接起来进行分类。利用所提方法在3个自发微表情数据集中进行实验,结果表明,所提方法在微表情识别方面优于传统方法和现有深度学习方法。