hfutyfl802的博客

文章的主要内容包括三步：1，使用多任务学习网络进行人脸关键点定位，划分人脸区域。2，使用卷积网络得到每个区域的光流，使用的是flownet2.0。3，对得到的光流进行修正来改善得到的特征，最后用SVM进行分类。具体的：1，人脸关键点定位文章使用的多任务深度卷及网络参考的是这篇文章《Facial landmark detection by deep multi-task learning...

文章主要的贡献：提出了一个Enriched Long-term Recurrent Convolutional Network (ELRCN)来进行表情识别。和其他大多数文章一样，作者先从数据上下功夫，从数据里提炼出相关物理量，第一个便是光流（好像也只有光流）。得到一个关于光流的3维的矩阵，关于光流这里就不介绍了，网上有好多文章，写的都挺好的。文章把对微表情的特征学习分为空间学习和时间学习。...

文章的主要观点是：微表情的处理中，从视频序列得到光流的过程中，由于微表情的运动比较小，容易受到噪声干扰，从而得到不准确的光流，另外，由于微表情的运动只发生在脸部的一小部分区域，所以之前将所有脸部区域给与同等权重的做法是不合理的。基于上述观点，作者根据相邻两帧图片中的人脸的运动方向是一致的，而噪声的方向是随机的，所以，将相邻几帧得到的光流进行累加，这样就会消除大部分干扰。比如说，一段有L帧图片的...