Apprentissage de corrélation auto-ajustable à plusieurs échelles pour la détection d'unités d'action faciale
La détection des unités d'action faciale (AUs) est une tâche cruciale dans le domaine du calcul affectif et de la robotique sociale, car elle aide à identifier les émotions exprimées par les expressions faciales. Sur le plan anatomique, il existe de nombreuses corrélations entre les AUs, qui contiennent des informations riches et sont essentielles pour la détection des AUs. Les méthodes précédentes utilisaient des corrélations d'AUs fixes basées sur l'expérience d'experts ou des règles statistiques sur des benchmarks spécifiques, mais il est difficile de refléter de manière exhaustive les corrélations complexes entre les AUs grâce à des paramètres manuellement définis. Il existe également des méthodes alternatives qui utilisent un graphe entièrement connecté pour apprendre ces dépendances de manière exhaustive. Cependant, ces approches peuvent entraîner une explosion computationnelle et une forte dépendance à un grand ensemble de données. Pour relever ces défis, cet article propose une nouvelle méthode d'apprentissage de corrélation d'AUs auto-ajustable (SACL) avec moins de calculs pour la détection des AUs. Cette méthode apprend et met à jour adaptivement les graphes de corrélation d'AUs en exploitant efficacement les caractéristiques des différents niveaux d'information sur le mouvement et l'expression émotionnelle extraite à différentes étapes du réseau. De plus, cet article explore le rôle de l'apprentissage multi-échelle dans l'extraction d'informations de corrélation et conçoit une méthode simple mais efficace d'apprentissage multi-échelle (MSFL) pour améliorer la performance de la détection des AUs. En intégrant les informations de corrélation d'AUs avec les caractéristiques multi-échelles, la méthode proposée obtient une représentation plus robuste des caractéristiques pour la détection finale des AUs. Des expériences approfondies montrent que la méthode proposée surpassent les méthodes actuelles sur des jeux de données largement utilisés pour la détection des AUs, avec seulement 28,7\% et 12,0\% respectivement du nombre de paramètres et des opérations flottantes (FLOPs) par rapport à la meilleure méthode. Le code pour cette méthode est disponible à l'adresse \url{https://github.com/linuxsino/Self-adjusting-AU}.