《表1 当前广泛采用的FACS数据库》
注:“-”代表无数据。
表1总结了上述4个FACS数据库的基本情况。不难看出,基于FACS标注的数据库存在受试者数量少、数据库整体规模小等问题,这是由FACS的标注代价高昂所决定的。表1中数据库的演变趋势同时表明,当前FACS数据库的采集条件逐步放松,研究者的关注重点逐渐转向实际应用场景下的AU检测。实际场景中收集的面部表情图像存在极大的个体差异性和多样性,训练相应的识别模型需要更多的标注数据,而收集并标注大量含有丰富表情变化的训练样本则面临高昂的标注代价。尽管引入深度学习为AU检测带来了显著的进步,但由于现有FACS数据库中标注样本有限,直接基于这些数据库训练得到的当前最好的AU检测模型性能仍然差强人意。因此,2016年以来,不少研究者开始考虑借助弱监督甚至无监督的表情数据来增强AU模型的泛化能力。
图表编号 | XD00201375600 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) |