PASTFNet:一个平行注意力时空融合网络,用于识别微表情
Haichen Tian1, Weijun Gong1, Wei Li2
1School of Information Science and Engineering, Xinjiang University, Urumqi, China.
Medical & biological engineering & computing
|February 27, 2024
概括
这项研究引入了一种用于微表情 (ME) 识别的新型网络,增强了情绪预测. PASTFNet模型有效地捕捉了时空特征,以提高准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 微表达 (ME) 对于理解真正的人类情绪至关重要.
- 鉴于中小企业的短时间和微妙的强度,认可中小企业具有挑战性.
- 现有的方法很难有效地捕捉中小企业的时空特征.
研究的目的:
- 开发一个新的网络,以改进微表情识别.
- 为了有效地捕捉和融合时空特征,以提高情绪预测.
- 为了解决当前ME识别技术的局限性.
主要方法:
- 提出了一个平行双分支基于注意力的时空融合网络 (PASTFNet).
- 空间分支提取了短期和长期的空间关系.
- 一个基于注意力的多尺度特征融合网络 (AMFNet) 使用CNN和LSTM原则编码时间特征.
主要成果:
- PASTFNet展示了有希望的微表达式识别性能.
- 该模型有效地融合了空间和时间特征.
- 在CASMEII和SAMM数据集上的实验验证实了该模型的有效性.
结论:
- 拟议的PASTFNet模型显著提升了微表达式识别.
- 时空特征的有效融合是提高精度的关键.
- 这项研究有助于更可靠的情绪预测系统.
