文献

J-GLOBAL ID：202202215264362808   整理番号：22A0499690

補助顔属性による動作単位検出のための深層表現の学習【JST・京大機械翻訳】

Learning deep representation for action unit detection with auxiliary facial attributes

著者 (4件)： Zhou Caixia (School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing, People’s Republic of China) ,  Zhou Caixia (Beijing Key Laboratory of Knowledge Engineering for Materials Science, Beijing, People’s Republic of China) ,  Zhi Ruicong (School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing, People’s Republic of China) ,  Zhi Ruicong (Beijing Key Laboratory of Knowledge Engineering for Materials Science, Beijing, People’s Republic of China)
資料名： International Journal of Machine Learning and Cybernetics  (International Journal of Machine Learning and Cybernetics)
巻： 13  号： 2  ページ： 407-419  発行年： 2022年 
JST資料番号： W4478A  ISSN： 1868-8071  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 行動単位(AU)発生検出はAUの存在または不在の認識に言及し,それは剛体および非剛体顔運動,微妙な顔変化,および短い継続時間のために挑戦的なタスクである。最近,ほとんどの研究は,局所表現学習による自動AU検出に焦点を合わせ,または認識性能を高めるためにAUの相関を利用して,それは著しい進歩を遂げた。しかし,AUと他の顔属性間の関係は無視されている。本研究は,従来の単一タスク学習の代わりにマルチタスク学習によるAU発生検出タスクを実装し,従ってAU検出は補助顔属性解析に有益である。本研究の主な貢献は,含まれている。(1)本研究は,複数の顔属性(顔ランドマーク,頭部姿勢,性別,および感情)を統合するマルチタスクベースの顔解析システム(MTFAS)を構築する。(2)タスクの多様性のため,下層とより高い層の特徴を,情報の損失を避けるために組み合わせた。(3)本研究は,不均衡データの影響を弱めるためにオンラインで難しいサンプル選択と加重損失関数を適用する。よく適用されたBP4DとDISFAデータベースについて実験を行い,提案したMTFAS法を最先端技術と比較した。MFTASは,BP4Dで0.622の平均F1スコアと0.787の認識精度を得る。DISFAデータセットでは,MTFASは平均F1スコア0.600,認識精度0.909を得た。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 剛体 ,  *学習 ,  損失関数 ,  データベース ,  深層 ,  継続時間 ,  下層
準シソーラス用語： オンライン ,  マルチタスク ,  マルチタスク学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 顔解析 ,  AU検出 ,  マルチタスク学習 ,  ランドマーク検出 ,  不均衡データ

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 属性 ,  深層 ,  表現 ,  学習