《表2 代表性AU检测方法总结》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面部动作单元检测方法进展与挑战》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:“-”代表无数据，加粗为最优值，“√”代表使用该方法。

此外，表2的代表性方法采用了不同的深度学习模型结构。主要可以分为3类:1)残差神经网络结构。AU R-CNN（AU regional convolutional neural networks)（Ma等，2019）采用了包含101层残差模块的模型结构（ResNet-101）。2）VGG （visual geometry group）系列模型结构。如ROI （region of interest）（Li等，2017），ROI-T1 （Li等，2017）采用了VGG-16模型结构。AU SRERL（semantic relationship embedded representation learning）（Li等，2019a）采用了VGG-19模型结构。3)自行设计的模型结构。JAA-Net（joint AU detection and face alignment）（Shao等，2018），ARL（attention region learning）（Shao等，2019）采用的模型结构包含两层块状结构（two blocks of the hierarchical and multi-scale region layer），每层块状结构包含三路并行分支用于提取多尺度特征。PAtt Net （patch-attentive deep network）（Ertugrul等，2019b）采用了一种轻量级模型结构，该结构仅包含3个卷积层和一个全连接层。DSIN （deep structure inference network）（Corneanu等，2018）采用了自行设计的网络结构，包含8个卷积层和两个全连接层。TCAE （twin-cycle autoencoder）（Li等，2019b）采用了一种全卷积结构，包含8个卷积层。表2的识别结果表明，采用多层的残差网络结构有助于取得更高的AU检测精度。