La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

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 Combinaison de réseaux neuronaux convolutifs 3D avec apprentissage par transfert par pré-formation supervisée pour la reconnaissance des micro-expressions faciales

Ruicong ZHI, Hairui XU, Ming WAN, Tingting LI

  • Vues en texte intégral

    0

  • Citer

Résumé:

Les micro-expressions faciales sont des réactions faciales momentanées et subtiles, et il est toujours difficile de reconnaître automatiquement les micro-expressions faciales avec une grande précision dans les applications pratiques. L'extraction de caractéristiques spatio-temporelles à partir de séquences d'images faciales est essentielle pour la reconnaissance des micro-expressions faciales. Dans cet article, nous avons utilisé des réseaux de neurones convolutifs 3D (3D-CNN) pour l'extraction de caractéristiques d'auto-apprentissage afin de représenter efficacement la micro-expression faciale, car les 3D-CNN pourraient très bien extraire les caractéristiques spatio-temporelles des séquences d'images faciales. De plus, l’apprentissage par transfert a été utilisé pour résoudre le problème de l’insuffisance d’échantillons dans la base de données de micro-expressions faciales. Nous avons principalement pré-entraîné les 3D-CNN sur la base de données d'expressions faciales normales Oulu-CASIA par apprentissage supervisé, puis le modèle pré-entraîné a été efficacement transféré au domaine cible, qui était la tâche de reconnaissance des micro-expressions faciales. La méthode proposée a été évaluée sur deux ensembles de données de micro-expression faciale disponibles, à savoir CASME II et SMIC-HS. Nous avons obtenu une précision globale de 97.6 % sur CASME II et de 97.4 % sur SMIC, soit 3.4 % et 1.6 % de plus que le modèle 3D-CNN sans apprentissage par transfert, respectivement. Et les résultats expérimentaux ont démontré que notre méthode atteignait des performances supérieures à celles des méthodes de pointe.

Publication
IEICE TRANSACTIONS on Information Vol.E102-D No.5 pp.1054-1064
Date de publication
2019/05/01
Publicisé
2019/01/29
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2018EDP7153
Type de manuscrit
PAPER
Catégories
Pattern Recognition

Auteurs

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

Mots-clés

Table des matières