Les Descripteurs de covariance profonds pour la reconnaissance des expressions faciales

Abstract

Dans cet article, nous proposons une nouvelle approche exploitant la puissance des réseaux de neurones profonds pour encoder les caractéristiques nonlinéaires des expression faciales d'un visage et la puissance des matrices de covariance pour encoder les relations entres ces caractéristiques. Notre approche est basée sur l'idée d'encoder les cartes de caractéristiques locales et globales de la couche la plus profonde d'un réseau neuronal convolutif (DCNN) extraites des images fixes dans des matrices de covariance. Ces matrices de covariance sont symétriques définies positives (SPD). En effectuant la classification des expressions faciales en utilisant le noyau Gaussien sur la variété des matrices SPD, nous montrons que notre approche donne des résultats de classification meilleure que celle qui utilise les couches entièrement connectées et softmax. En effectuant des expérimentations sur trois bases de données des expressions faciales (Oulu-CASIA, CK+, SFEW), nous montrons que l'approche proposée atteint des performances compétitives par rapport à l'état de l'art.