Deep Region and Multi-label Learning for Facial Action Unit Detection简要论文笔记

   Deep Region and Multi-label Learning for Facial Action Unit Detection

摘要：

 本文对以前的网络进行了改进，用一个统一的深度网络，同时解决Deep Region and Multi-label Learning(DRML) 这两个问题。 DRML中的一个重要方面是一个新的区域层（a region layer ），它使用前馈函数来诱导重要的面部区域，迫使学习的权重捕获脸部的结构信息.





1、引言：

 DRML通过构建模型重要的面部区域和多个AU之间的关系，显示出更好的本地化和分类能力。

2、相关工作：

 这里就不做赘述了

3、DRML 网络结构：



 由于AU的面部外观变化是区域性的，可能会发生变化，经验法则是确保每层保
4000
留来自其上一层的足够的面部信息。 与使用小面部图像作为输入的大多数表达分析研究不同，我们将输入图像设置为170×170。 如图所示，conv7仍然保持粗糙的面部轮廓，以传递到后续的完全连接的层。



 第一层卷积层，随后是区域层（本结构的创新），一个pooling layer 和四个卷积层，三个全连接层，以及一个多标签交叉熵损失层。



需要重点关注的是区域层，其权重仅在局部面部区域内共享。提出的区域层的图示。 从conv1输入特征图，均匀分为8×8个补丁。 每个20×20像素的贴片应用卷积层。 通过添加卷积重新加权每个原始补丁。 区域层的输出是所有重新加权的补丁的级联。