liu_chengguang的博客

原创 近年来人工智能与抑郁分析研究相关论文

抑郁研究相关论文推荐

原创 CLIPER:A Unified Vision-Language Frameworkfor In-the-Wild Facial Expression Recognition

这项工作提出了CLIPER，这是一个基于CLIP的静态和动态面部表情识别的统一框架。此外，引入了多表情文本描述符（METD）来学习细粒度的表情表示，使CLIPER更具可解释性。我们在几个流行的FER基准上进行了广泛的实验，并实现了最先进的性能，这证明了CLIPER的有效性。

原创 Relative Uncertainty Learning for Facial Expression Recognition

通过 Relative Uncertainty Learning (RUL) 来解决模型预测结果不确定问题，此模型无需任何先验信息，相对不确定性是通过参照，比较之后得到的。

原创 NIPS2022各学校统计，去China是200+哦~

NIPS2022各学校统计，群里大佬匿名统计的~

原创 On Learning Contrastive Representations for Learning with Noisy Labels

本文主要回答了两个问题：1）基于对比学习得到的图像特征能给在标签噪声中学习带来什么好处；2）如何从噪声数据中学到基于对比学习的图像特征。在之后的实验部分，我们也展示了此方法可以和现有的带噪学习的方法相结合，能进一步提升模型的表现。...

原创 Center loss：Margin-Mix / Affinity Loss / Sparse Center Loss

本次介绍4篇论文里面的Center loss，包括Center loss/Margin-Mix / Affinity Loss / Sparse Center Loss.4篇论文分布为：•《A Discriminative Feature Learning Approach for Deep Face Recognition》•《 Margin-Mix: Semi-Supervised Learning for Face Expression Recognition 》•《Distract

原创 SOTA:《Distract Your Attention: Multi-head Cross Attention Network for Facial Expression Recognition》

闽江学院&福建农林大学简介：本次研究工作，基于以下观察提出新的人脸表情识别网络，Distract your Attention Network（DAN）。1、多个类别的人有着本质上相似的基本面部外观，而差异是微妙的。2、面部表情同时通过多个面部区域表现出来，识别需要通过编码局部特征之间的高阶互动来实现整体的方法。DAN ，包括三个关键部分，特征聚类网络（FCN）、多头交叉注意网络（MAN）和注意...

原创 过完备深度子空间聚类网络：《Overcomplete Deep Subspace Clustering Networks》

论文：《Overcomplete Deep Subspace Clustering Networks》 论文原文链接：有道云笔记 论文讲解链接：子空间聚类入门（一）overcomplete - 知乎 论文详细情况：https://arxiv.org/abs/2011.08306v1 u-net论文解释：图像分割之U-Net - 知乎 Overcomplete 过完备;undercomplete欠完备 什么是过完备字典？什么是过完备字典？ - 知乎过完备表示：图像在过完备基下的表...

原创 人脸表情识别解干扰论文解读2：D3Net：Dual-Branch Disturbance Disentangling Networkfor Facial Exp

D3Net：厦门大学发表于ACM MM 2021原论文链接：有道云笔记本文的第一作者是信息学院计算机科学与技术系2019级硕士生莫榕云，通讯作者是信息学院计算机科学与技术系严副教授。论文提出了一种基于多任务框架的双分支干扰分离的人脸表情识别方法（D3Net），包括表情分支和干扰分支，可以同时分离常见干扰特征和潜在干扰特征，提取更有效的表情特征。其中，干扰分支包含两个子分支。一个子分支利用其它人脸数据集的干扰标签和迁移学习的方式来训练，可以提取常见干扰特征。另一个子分支结合非参数贝叶...

原创 厦门大学 人脸表情识别解干扰论文解读1：Deep Disturbance_Disentangled Learning for Facial Expression

论文标题：《Deep Disturbance_Disentangled Learning for Facial Expression》论文原文：有道云笔记PPT:​​​​​​​下一篇分享该团队在解干扰的后续工作：《D3Net: Dual-Branch Disturbance Disentangling Network for Facial Expression Recognition》论文原文：有道云笔记...

原创 清华&南开提出VAN：视觉注意力网络:Visual Attention Network

原文链接：有道云笔记PPT:

原创 自监督学习 Joint Unsupervised Learning of Deep Representations and Image Clusters

论文参考讲解链接：自监督学习（四）Joint Unsupervised Learning of Deep Representations and Image Clusters_高坂梅露露的博客-CSDN博客 论文原文： 1_图像聚类_簇合并：有道云笔记 2_簇亲和度：有道云笔记 PPT:...

原创 风格迁移（Style Transfer）系列论文及新论文《Inverse mapping of face GANs》

《Image Style Transfer Using Convolutional Neural Networks》《Perceptual Losses for Real-Time Style Transfer and Super-Resolution》论文讲解链接1：https://zhuanlan.zhihu.com/p/92102879?from_voters_page=true感知损失链接2：https://www.freesion.com/article/...

原创 SCDML：Semi-supervised clustering with deep metric learning and graph embedding

原创 CNN 模型所需的计算力（flops）和参数（parameters）数量是怎么计算的？

补充知识FLOPs是什么？怎么计算？FLOPs：注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。 评价一个模型时，首先看的应该是它的精确度。进一步的评价指标来评价你模型： 1）前向传播时所需的计算力，它反应了对硬件如GPU性能要求的高低；（FLOPs） 2）参数个数，它反应所占内存大小。 先看链接：https://zhuanlan.zhihu.com/p/137719986继续看下图：.

原创 真的存在统一的基本情绪吗？(点评)

原文链接：https://mp.weixin.qq.com/s/N-WufN4oUz5XfDPGqW3Vog原文：情绪建构论并不认为“基本情绪”具有普遍性和固定性。相反，害怕、生气和悲伤等情绪分类并非“情绪的自然类别”，而是由社会建构的，并且根据个体差异、学识、期望以及文化的不同而不同。----------------------------------------------------------------------------------------------------

原创 持续学习 (continual learning/ life-long learning)讲解

原创 Margin-Mix: Semi–Supervised Learning for FaceExpression Recognition

原创 Neural Architecture Transfer

原创 Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

每张图下是每张图下文字为批注基于注意力的RPN和多关系检测器的少样本目标检测少样本学习->目标检测->修改RPN带有注意力->多关系检测RPN全称是Region Proposal Network，RegionProposal的中文意思是“区域选取”，也就是“提取候选框”的意思需要我们使用的历史数据具有总体的代表性且希望用训练数据集训练得到的模型可以合理用于测试集，使用同分布假设能够使得这个做法解释得通解决方法：(1) 数据增强和正则化：第一种思路很直接，..

原创 一种基于有序编码及多层随机投影的人脸年龄判别模型（原版）

授权版：https://blog.csdn.net/liu_chengguang/article/details/117606621?spm=1001.2014.3001.5501

原创 基于有序编码及多层随机投影的人脸图像年龄判别方法

发明名称：基于有序编码及多层随机投影的人脸图像年龄判别方法申请类型：发明申请人：南京信息工程大学申请人地址：南京市浦口区宁六路219号申请人邮编：210044申请人组织机构代码：12320000466006762K发明人：田青、刘成广、顾思宇、柯研、仲昭奕、吴俊凤发明人所在学院：计算机与软件学院第一发明人身份证号：370481198311155318第一发明人手机：13851513170第一发明人E-mail：[email protected]联系人：刘成.