《表2 代表性AU检测方法总结》
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。
图表编号 | XD00201375400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.16 |
作者 | 李勇、曾加贝、刘昕、山世光 |
绘制单位 | 中国科学院计算技术研究所、中国科学院大学、中国科学院计算技术研究所、中科视拓(北京)科技有限公司、中国科学院计算技术研究所、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |