@article { author = {Mohammadian, Amin and Aghaeinia, Hassan and Towhidkhah, Farzad}, title = {Subject adaptation in spontaneous facial behavior recognition using style transfer functions}, journal = {Journal of Machine Vision and Image Processing}, volume = {8}, number = {4}, pages = {87-98}, year = {2021}, publisher = {Iranian Society of Machine Vision and Image Processing}, issn = {2383-1197}, eissn = {2383-1197}, doi = {}, abstract = {The appearance of facial Action Units (AUs) and painful expression may significantly vary for different people. Thus the probability distribution of both test and training data is not the same for person-independent facial behavior recognition. Some researchers have proposed methods to bring the performance of a person-independent system closer to a person-dependent one. Subject style is the cause of inter-personal variations. With this in mind, we propose methods to increase the generalization ability of facial AUs and pain detection through style transfer functions. We conducted extensive experiments on spontaneous UNBC-McMaster database to compare supervised methods. The results show that our approach can effectively perform the task of pain and AUs detection. So that the best average recognition rate of action units was 96.84 (with AUC criterion) and the same method in terms of low adaptation data and appropriate adaptation data had pain recognition rates of 87.30 and 93.26 (with AUC criterion), respectively.}, keywords = {computer vision,Facial behavior and gesture recognition,Spontaneous facial behavior,Style transfer function}, title_fa = {تعدیل اثر سبک سوژه با استفاده از تابع انتقال سبک در بازشناسی رفتار خودانگیخته چهره}, abstract_fa = {ظاهر بروز واحدهای کنشی و  درد  در چهره ممکن است به طور قابل‌توجهی برای افراد مختلف متفاوت باشد. بنابراین توزیع احتمال داده‌های آموزشی و داده فرد جدید در حالتیکه لازم است مدل یادگیرنده مستقل از داده شخص جدید آموزش دیده باشد، متفاوت است. در این کار با فرض اینکه سبک افراد در بروز حالات علت تنوعات بین فردی است، روش‏هایی برای افزایش توانایی تعمیم مدل بازشناسی جلوه‏ های کنشی چهره ارائه شده است. این روش‏ ها بر اساس  مفهوم انتقال سبک یا تعدیل اثر سبک عمل می‏ کنند. تفاوت روش پیشنهادی این است که در مقایسه با روش‏هایی که از نگاشت برای انتقال سبک استفاده می کنند، الگوریتم‏ هایی را پیشنهاد داده است که در حین سادگی کارآیی مناسب داشته باشند. آزمایش‌هایی بر روی پایگاه‌داده UNBC-McMaster انجام شده تا نتایج روش‏های پیشنهادی با کارهای قبل مقایسه شوند. نتایج نشان می‌دهد که این رویکرد می‌تواند در حین داشتن سرعت مناسب، به طور موثر نرخ شناسایی درد و واحدهای کنشی را در چهره بهبود دهد. بطوریکه بهترین متوسط نرخ بازشناسی واحدهای کنشی 96.84 (با معیار AUC) بوده و همان روش در شرایط داده تطبیق کم و داده تطبیق مناسب به ترتیب دارای نرخ بازشناسی درد  87.30 و  93.26 (با معیار AUC) بوده است.}, keywords_fa = {computer vision,Facial behavior and gesture recognition,Spontaneous facial behavior,Style transfer function}, url = {https://jmvip.sinaweb.net/article_133366.html}, eprint = {https://jmvip.sinaweb.net/article_133366_33bb7e527d270e3660623f37d6210b8f.pdf} }