采用时空注意力机制的人脸微表情识别
目的 微表情是人自发产生的一种面部肌肉运动,可以展现人试图掩盖的真实情绪,在安防、嫌疑人审问和心理学测试等有潜在的应用.为缓解微表情面部肌肉变化幅度小、持续时间短所带来的识别准确率低的问题,本文提出了一种用于识别微表情的时空注意力网络(spatiotemporal attention network,STANet).方法 STANet包含一个空间注意力模块和一个时间注意力模块.首先,利用空间注意力模块使模型的注意力集中在产生微表情强度更大的区域,再利用时间注意力模块对微表情变化更大因而判别性更强的帧给予更大的权重.结果 在3个公开微表情数据集(The Chinese Academy of Sciences microexpression,CASME;CASME Ⅱ;spontaneous microexpression database-high speed camera,SMIC-HS)上,使用留一交叉验证与其他8个算法进行了对比实验.实验结果表明,STA-Net在CASME数据集上的分类准确率相比于性能第2的模型Sparse MDMO(sparse main directional mean optical flow)提高了1.78%;在CASME II数据集上,分类准确率相比于性能第2的模型HIGO(histogram of image gradient orientation)提高了1.90%;在SMIC-HS数据集上,分类准确率达到了68.90%.结论 针对微表情肌肉幅度小、产生区域小、持续时间短的特点,本文将注意力机制用于微表情识别任务中,提出了STANet模型,使得模型将注意力集中于产生微表情幅度更大的区域和相邻帧之间变化更大的片段.
微表情识别、分类、面部特征、深度学习、注意力模型、时空注意力
25
TP183(自动化基础理论)
国家自然科学基金项目;上海市科技重大专项资助项目;张江实验室资助项目
2020-12-21(万方平台首次上网日期,不代表论文的发表时间)
共11页
2380-2390