NAS-HR：面部视频中心率估计的神经架构搜索

引文：陆浩，韩虎。NAS-HR：用于从面部视频中估计心率的神经架构搜索。虚拟现实智能硬件，2021，3（1）：33-42DOI：10.1016/j.vrih.2020.10.002虚拟现实智能硬件2021年11月3日第1·文章·NAS-HR：从面部视频**1. 中国科学院大学人工智能学院，北京1000492. 中国科学院智能信息处理重点实验室，计算技术研究所，北京1000803. 彭诚实验室，深圳518000*通讯作者，hanhu@ict.ac.cn投稿时间：2020年8月9日修订日期：2020年10月3日接受日期：2020年10月27日鸣谢：国家重点研发&计划（2018 AAA 0102501）;国家自然科学基金（61672496）;中科院青年创新促进会（2018135）。摘要背景基于远程光电容积描记的心率估计在自然人机交互和健康监测中具有巨大的应用潜力，近年来引起了越来越多的研究关注。虽然最近基于深度学习的HR估计方法已经取得了令人满意的性能，但它们的计算成本仍然很高，特别是在移动计算场景中。方法我们提出了一种用于HR估计的神经结构搜索方法，以自动搜索一个轻量级网络，该网络可以实现比复杂网络更高的准确性，同时降低计算成本。首先，我们定义的兴趣区域的基础上，面对地标，然后提取原始的时间脉冲信号从R，G和B通道在每个ROI。然后，使用与皮肤正交的平面算法提取脉搏相关信号，将其与R和G通道信号组合以创建时空图。最后，微分架构搜索方法用于网络结构搜索。结果与公共领域VIPL-HR和PURE数据库上的最先进方法相比，我们的方法在几个评估指标方面实现了更好的HR估计性能，同时需要更低的计算成本1。关键词 心率估计;与皮肤正交的平面STMap;可微结构搜索1引言在自然的人机交互中，机器需要深刻理解人类的行为和意图，才能及时准确地做出反应。心率（HR）值可以反映一个人的心理和身体状况，因此是深入了解行为和意图的重要方面之一。然而，传统的HR测量方法，例如心电图仪和光电体积描记术（PPG），需要接触参与者皮肤，并且不便于长期测量。2096-5796/©版权所有2021北京中科学报出版有限公司Elsevier B. V.代表KeAi Communization Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）。1该代码在https://github.com/LuPaoPao/NAS-HR上是开源的。www.vr-ih.com虚拟现实智能硬件2021年11月3日第1监测.最近，基于远程PPG（rPPG）的非接触式HR测量吸引了相当大的研究兴趣[1- 7]。基于rPPG的HR估计背后的原理是，由心跳引起的血容量的变化引入血管的光吸收的变化，因此，皮肤亮度的周期性变化可以反映HR。另外，面部区域是人体上覆盖最少的皮肤区域因此，可以基于面部皮肤中的颜色变化来估计HRHR估计的早期方法通常利用手工制作的特征来表示HR信号。此外，这些HR估计方法使用盲信号分离（BBS）或最佳空间变换[8- 12]。Wang等人分析了这些方法的核心原理，并提出了考虑皮肤反射的相关光学和生理特性的皮肤平面正交（POS）算法[13]。POS在受控条件下表现出良好的鲁棒性。然而，在实践中遇到了许多挑战，包括变化的照明条件，表情变化和头部运动。传统的手工算法不能考虑影响HR估计的所有条件，只能在特定条件下应用。随着计算机视觉的巨大成功，深度学习（DL）被用于提高HR估计的鲁棒性和准确性。随着公开数据集数量的增加，研究人员已经将注意力从数据增强转移到HR估计的有效网络设计[14，15]。然而，大多数DL模型是基于研究人员的经验手动设计的，这对于HR估计任务可能不是最佳的，并且可能需要更多的额外时间和计算资源。因此，学习一个更好的网络结构，自动HR估计是必要的。在本文中，我们提出了一种称为神经结构搜索HR（NAS-HR）的方法来执行有效的HR估计。首先，从感兴趣的面部区域（ROI）中提取脉搏信号。然后，使用POS对这些信号进行预处理，以进一步增强周期性脉冲信号。然后，我们将处理后的信号组合成时空图（STMap），用于深度特征学习。可区分架构搜索（DARTS）用于在深度特征学习期间自动搜索有效的网络结构[16]。我们在一个轻量级的搜索空间中搜索网络结构，以降低模型的复杂性。总之，这项工作的贡献如下所述。(1) 我们提出了一种有效的方法来估计HR，它利用NAS来获得优化的轻量级模型，具有更好的HR估计精度和降低的计算成本。(2) 我们提出了一种新的表示脉冲信息，即，使用POS信号构建STMap，从而使用骨干卷积神经网络（CNN）实现更高效的学习。(3) 所提出的NAS-HR在HR测量精度和计算成本方面优于许多最先进的方法。2相关工作本节简要回顾了基于rPPG的HR估计和NAS的现有方法。2.1基于RPPG的HR估计已经提出了许多基于信号分析的算法来从人脸视频中估计HR。Poh等人提出了一种基于主成分分析的HR估计算法，用于提取周期性脉搏信号[8]。Balakrishnan等人采用独立分量分析将rPPG信号与原始时间信号分离，以进行HR估计[9]。Haan和Jeanne讨论了BBS的局限性，并构造了两个色度正交信号来抑制时间序列中的噪声[10]。Haan等人研究了不同波长下rPPG信号的特征，然后提出了基于34Hao Lu et al：NAS-HR：从人脸视频中估计心率的神经架构搜索此签名用于提取脉冲感应信号[11]。Wang等人提出了空间子空间旋转（2SR），根据三个颜色通道的色调相关性进行投影，以提高HR估计的鲁棒性[12]。Wang等人从数学上分析了早期方法的原理，并提出了一种称为POS的新投影方法来提取脉搏信号[13]。这些方法大多使用信号分解和重构或空间变换来获得更好的脉搏信号表示，除了在处理无约束的情况下，表现出良好的性能。近年来，一些研究尝试使用DL进行HR估计。Chen等人提出DeepPhys使用两个连续的视频帧提取生理信号，然后从脉搏信号的频谱中获得HR[14]。提出了一种使用低秩约束损失的双流方法，以获得用于HR估计的可靠特征[15]。Yu等人讨论了图像压缩对HR估计的影响，并尝试从高度压缩的图像中估计HR[17]。在DL方法中直接使用视频作为输入会产生很多冗余。因此，许多研究人员试图设计更有效和简洁的HR估计表示。提出了一种时频表示作为CNN的输入，以提高HR估计的准确性[18]。此外，STMap是从视频中提取的生理信号的有效表示，被设计为网络的输入[19，20]，其实现了最先进的结果。2.2NASNAS无需手动设计和专家经验，即可为特定任务搜索合适的架构。Baker等人提出了MetaQNN来将网络架构搜索建模为马尔可夫决策过程，并使用强化学习（特别是Q学习算法）来确定CNN架构[21]。Zoph等人使用递归神经网络作为控制器来采样并生成描述网络结构的字符串，然后使用增强算法来学习控制器参数以生成具有更高精度的网络结构[22]。Esteban引入了一种进化算法来解决NAS问题，并提出了锦标赛选择和老化进化的变体[23]。基于强化学习和进化算法的NAS方法消耗大量的计算资源。基于DARTS的算法实现了神经网络搜索算法的可微性，可以显著提高搜索速度和模型精度[13，24，25]。这些神经网络搜索方法主要用于图像分类或对象检测任务。然而，其在HR估计中的有效性尚不清楚。3该方法NAS-HR的目标是从人脸视频中学习一种高效、轻量级的HR估计网络结构。NAS-HR的框架如图1所示，其中包括ROI提取、POS-STMap计算和NAS。3.1从脸部进行由于光和头部移动引起的环境变化会降低HR信号提取精度。我们设计了一种感兴趣区域提取方法来降低这些噪声的影响，使脉搏信号可以更好地提取与高峰值信噪比。在第一步中，我们采用Seetaface的人脸特征点检测。然后，我们将图2中红框中的区域视为我们定义的ROI，这些ROI是基于面部标志确定的，其中完美地包括通常受面部毛发或背景区域影响较小的脸颊和前额区域。35虚拟现实智能硬件2021年11月3日第1图1 NAS-HR的框架。（a）基于人脸标志确定的ROI。(b)POS-STMap计算基于在POS上处理脉冲的时间信号。(c)NAS与DARTS从一个轻量级的操作搜索空间[3].图2 POS-STMap计算。首先，我们定义基于面部地标确定的ROI，这是与HR相关的皮肤区域。然后，我们从N个ROI中提取长度为L的三个信号（分别用于红色，绿色和蓝色通道）。此外，使用POS算法处理更鲁棒的信号，并将其与R和G通道信号组合以创建STMap[19]。3.2用于脉冲表示的在ROI提取之后，我们可以通过对每个ROI内的像素值进行平均来提取N×C个长度为L的脉冲时间信号（S），其中N和C分别表示图像的ROI数量和颜色通道数量。然而，这些原始信号不仅包含HR信息，而且还包含诸如头部运动和光变化的噪声信息的类型。根据早期的研究[10，12，13]，投影变换可以抑制噪声以更好地提取脉搏信号。考虑到鲁棒性和简单性，我们使用POS[13]作为原始时间信号预处理方法。我们将P记为POS处理的信号，其中P∈RN×L然后，该过程可以被描述为算法1。信号越强，i.例如，P，使用POS提取。然而，这个过程也丢失了一些其他的信息，有利于人力资源估计。在红色、绿色和蓝色通道中，绿色通道的HR信息分量最高，而红色通道的噪声信息分量最高[10，26，27]。通过使用这些附加信息，可以提高DL模型的准确性。因此，更鲁棒的脉搏信号，即P，被连接到N×L映射。对于从ROI获得的绿色和红色通道信号实施相同的过程。 然后，将这三个映射组合以形成POS-STMap。本研究中使用的POS-STMap与STMap不同[19，20]。我们使用只包含面部皮肤的三角形和矩形区域作为ROI，而不是使用均匀划分的面部网格。这个过程可以在每个ROI中产生更好的局部一致性。我们在生成STMap之前的预处理步骤中使用改进的POS算法36我-211+·Q（n）OO∑算法1：POSHao Lu et al：NAS-HR：从人脸视频中估计心率的神经架构搜索输入：生理信号S（N，C，L）1：l = 48←将滑动窗口的大小设置为48 2：forn =1，2，3：fori = 1，2，4：如果j=n− l +1> 0，则j←确保滑动窗口填充为零S（n）j5：V（n）j=j→iμ（S（n）j→i）←规范信号6：Q（n）=1-1V（n）i←Performproj ec ti o nt transforma ti o n7：p（n）=Q（n）1σ（Q（n）1）σ（Q（n）2）2←增强脉冲信号8：P（n）j→i=P（n）j→i+（p-μ（p））←累积和输出：处理后的脉冲信号N、其用作后续NAS-HR网络的输入。3.3NAS网络结构设计。我们使用DARTS[16]自动搜索用于HR估计的轻量级和最佳网络架构。图1c显示我们的网络包括两层卷积块，M个结构需要优化的单元，以及一个AvgPool2d和线性块。此外，由于基于rPPG的远程HR估计通常需要实时响应，除了优化网络架构以获得更好的HR估计精度外，我们预计NAS可以帮助开发轻量级模型。因此，我们选择了一个新的操作搜索空间（o），它使用深度可分离卷积，而不是具有不同卷积核大小、步长和填充的传统卷积。深度分离卷积首先执行空间特征学习，然后执行通道特征学习分离。该过程需要较少的参数和较少的计算。因此，我们可以得到一个更小更快的模型。同时，参数的减少不会导致精度的降低。此外，我们的搜索空间包含skipconnection，maxpool，avgpool和zero operation。网络的单元结构分为约简单元（步长= 2）和正常单元（步长= 1）。请读者参阅文件[16]了解详细信息。培训战略。DARTS可以确定最佳的感受野大小，操作和细胞结构，这可以帮助获得HR估计的最佳尺度和深度特征。DARTS的核心目标是通过学习操作（η（i，j））是一个新的函数. L1losses（Lhr）估计值与地面实况HR用于搜索网络结构。Ltrain和Lval分别表示搜索阶段的训练和验证损失minLval（Φ*（α），α）S. t.Φ*（α）= arg mΦ inLtrain（Φ，α）（1）η（i，j） =exp（α（i，j））Oo∈o exp（exp（α（i，j）其中α是用于更好的搜索结果的中间变量。在搜索阶段之后，网络结构在训练集上进行微调，并在测试集上进行评估。更多详细的算法步骤请参考论文[16]37O虚拟现实智能硬件2021年11月3日第14结果4.1数据集和协议VIPL-HR是用于基于rPPG的HR估计的无约束人脸数据库[28]。它包含了在九种不同条件下拍摄的107名受试者（28名女性和79名男性）的2378个RGB和752个近红外视频。在VIPL-HR中，头部运动、不同的照明条件和不同的采集设备在HR估计中造成许多困难。此外，不可避免的挑战在于视频的帧速率不稳定。我们遵循与以前的工作相同的程序[18，19，29]，并且我们在混洗数据库上使用受试者专用的五重交叉验证协议。PURE包含10个受试者的60个视频，有六种不同的活动（静坐，说话，旋转和头部运动的四种变化）[30]。每个视频都是使用30 Hz帧速率的RGB摄像机拍摄的。与VIPL-HR相比，PURE的训练数据有限，这为基于学习的HR估计方法带来了额外的挑战。为了与以前的工作[30]进行公平比较，我们使用了6个主题的36个视频作为训练集，使用了4个主题的24个视频作为测试集。4.2实现细节数据增强：为了提高算法的泛化能力和鲁棒性，我们使用了两种数据增强策略。(1)我们参考论文[20]，并以0.67到1.5的采样率对原始人脸视频执行时间下采样和上采样，以丰富训练数据集的HR分布。(2)对于训练过程中的每个时期，我们使用一个N×L大小的窗口来随机裁剪POS-STMap，这减少了输入视频相位的影响。参数设置：我们的NAS-HR使用PyTorch实现。我们使用Adam求解器作为优化器，初始学习率为0.001，批量大小为64。超参数N、L和C根据经验分别设置为15、256和3。搜索和训练时期分别设置为10和20。我们所有的实验都使用NVIDIA GTX 1080Ti GPU进行。4.3基准方法和措施我们将所提出的方法与几种最先进的HR估计方法进行比较，包括NLMS- AF[4]，CHROM[10]，2SR[12]，POS[13]，DeepPhy[14]，RhythmNet[19]，HR-CNN[30]，I3 D[31]，SynRhythm[32]，SAMC[33]，[34]第34话我们遵循现有的方法[17- 19]，并使用几种不同的测量来证明性能，即。例如，平均误差（ME）、标准差（Std）、均方根误差（RMSE）、平均绝对HR误差（MAE）、平均误差率百分比（MER）和Pearson相关系数（r）。4.4VIPL-HR结果我们将我们的方法与几种DL方法（I3D[31]，DeepPhy[14]，SynRhythm[32]和RhythmNet[19]）和几种手工制作的方法（SAMC[33]，POS[13]和CHROM[10]）进行比较。我们的测试方案完全遵循论文[19，32]。因此，结果直接取自原始论文[19，32]，如表1所示。从表1中，我们可以观察到三种手工方法（SAMC，POS和CHROM）的性能优于I3D和DeepPhy，这表明DL方法在没有适当预处理的情况下并不总是表现得很好。此外，POS执行这些传统的手工制作的算法中最好的。在所有方法中，我们可以观察到NAS-HR在所有性能方面都38Hao Lu et al：NAS-HR：从人脸视频中估计心率的神经架构搜索表1结果所提出的方法和几个国家的最先进的方法对VIPL-HR方法ME（bpm）标准（bpm）MAE（bpm）RMSE（bpm）MER（bpm）r[33]第十三话18.015.921百分之二十六点七0.11[13]第十三话15.311.517.2百分之十八点五0.30中国[10]15.111.416.9百分之十七点八0.28[31]第37话15.912.015.9百分之十五点六0.07DeepPhy[14]-两块六13.611.013.8百分之十三点六0.11[32]第三十二话1.028.885.798.947.380.73[19]第十九话0.738.115.308.146.710.76自动心率[34]-8.485.688.68-0.72NAS-HR0.258.105.128.01百分之六点四三0.79指标.此外，与NAS相比，AutoHR的性能比我们提出的算法差。我们的方法与AutoHR在以下方面不同。(1)我们使用预处理后的POS-STMap代替视频作为网络的输入，这提高了模型的稳定性。(2)我们的算法，作为一个端到端的算法，回归的HR值，而不是学习的生理信号来计算HR值。结果表明，NAS-HR是复杂条件下远程HR估计的有效方法。4.5关于PURE作为一种基于DL的方法，在使用相对较小的数据集（如PURE）时，存在对其性能的担忧。我们选择了两种DL方法（HR-CNN[30]和SynRhythm[32]）和三种传统方法（2SR[12]，CHROM[10]和NLMS-AF[4]）进行比较。从表2中可以看出，方法在PURE上相当好。造成这种差距的可能原因是，表2所提出的方法和几种最先进的方法在PURE与VIPL-HR相比，PURE的分布相对更集中。NAS-HR再次优于这些最先进的方法，这意味着所提出的方法即使在用于训练的小数据集的情况下也能很好地工作。4.6进一步分析方法2SR[12]MAE（bpm）2.44RMSE（bpm）3.06R0.98单元数是影响模型的搜索成本、参数大小（Params）和浮点运算（FLOP）的重要变量。因此，我们对VPL-HR上的细胞数量范围从5到8进行了进一步的研究。表3中的列表示出了具有6个单元的NAS-HR在以下方面实现了最佳的评估性能：表3使用NVIDIA GTX 1080Ti GPU方法MAE（bpm）RMSE（bpm）R参数（M）FLOPs（G）搜索成本（GPU小时）[30]第三十话5.798.940.7311.1786.702-CHROM[10]2.072.50.99[32]第三十二话1.842.370.98[32]第三十二话1.882.450.98NAS-HR1.652.020.99NAS-HR-55.658.490.754.4830.26223NAS-HR-65.128.010.794.5280.30828NAS-HR-75.208.120.797.3490.33745NAS-HR-85.328.320.767.4160.3766039虚拟现实智能硬件2021年11月3日第1MAE、RMSE和r.因此，在其他实验中，将单元数M设定为6。我们的模型的FLOP与细胞数为6约0.262 GFLOP，这比现有技术方法的GFLOP小得多，即，RhythmNet（6.702 GFLOPs）。根据论 文[35] ， 我 们 的 模 型 可 以 在 ARM 设 备（Snapdragon 810）上以大约每秒9次的速度运行。此外，我们只需要28小时来搜索网络使用6个细胞在一个GPU。当单元格的数量为6时，我们将第一个和第四个单元格设置为正常单元格，将其余单元格设置为还原单元格。图3和图4中示出了搜索到的网络的单元结构，其中单元的数量为6。5结论图3搜索正常细胞。图4搜索还原细胞。基于rPPG的HR估计仍然是一项具有挑战性的任务，因为存在各种挑战，例如光线变化、头部运动和表情变化。虽然基于DL的HR估计方法已经取得了良好的性能，但深度神经网络设计仍然需要专业经验，并且在准确性和计算成本方面可能不是最佳的。在本文中，我们提出了一个NAS-HR方法来建立一个高效，轻量级的神经网络的HR估计。NAS-HR可以在显著降低网络参数大小和计算成本的情况下实现改进的HR估计性能。NAS-HR优于许多最先进的方法，包括非学习和基于学习的方法。在未来，我们将从三个方面提高HR估计的准确性：（1）为HR估计找到新的块设计，以丰富搜索空间，（2）建立更有效和合适的网络搜索策略，以及（3）设计光照不敏感[36]和人无关[37]的面部表示，以提高无应变场景下的HR估计鲁棒性。竞合利益我们声明我们没有利益冲突。引用1陈霞，程健，宋瑞昌，刘永，沃德，王正杰。基于视频的心率测量：最新进展和未来展望。IEEE Transactions onInstrumentation and Measurement，2019，68（10）：3600-3615 DOI：10.1109/tim.2018.28797062王C，潘T，香奈儿G.从正面人脸视频中进行远程心率检测的方法比较。生物工程与生物技术前沿，2018，6：333李X，韩H，陆H，牛X，于Z，丹切瓦A，赵G，山S.远程生理信号传感（RePSS）的第一个挑战。IEEE/CVF计算机视觉和模式识别研讨会论文集。IEEE 20204李新，陈军，赵刚，皮蒂凯宁.真实场景下人脸视频的远程心率测量。在：IEEE/CVF计算机视觉和模式识别会议的论文集。IEEE，2014年5[10]邱毅，刘毅，阿特阿加-法科尼J，董洪伟，萨迪克A E. EVM-CNN：通过面部视频进行实时非接触式心率估计。IEEE Transactions on Multimedia，2019，21（7）：177840Hao Lu et al：NAS-HR：从人脸视频中估计心率的神经架构搜索6科佩廖维奇·M视频中心率的间接评估。IEEE/CVF计算机视觉和模式识别研讨会论文集。IEEE 20207米罗年科远程光电容积描记术：很少考虑的因素。IEEE/CVF计算机视觉和模式识别研讨会论文集。IEEE 20208杨伟华，王伟华，王伟华.使用视频成像和盲源分离的非接触式自动心脏脉搏测量。光学快报，2010，18（10）：107629Balakrishnan G，Durand F，Guttag J.从视频中的头部运动中检测脉搏。在：IEEE/CVF计算机视觉和模式识别会议的论文集。IEEE，2013年10de Haan G，Jeanne V.基于色度的rPPG的稳健脉搏率。IEEE生物医学工程学报，2013，60（10）：287811作者声明：John A.通过使用血容量脉搏特征来改进远程PPG的运动鲁棒性。生理测量，2014，35（9）：191312王伟杰，施图伊克S，德哈恩G.一种新的远程光电容积脉搏波算法：空间子空间旋转。IEEE Transactions onBiomedical Engineering，2016，63（9）：197413王文杰，邓布林克A C，施图伊克S，德哈恩G.远程PPG的物理原理。IEEE Transactions on BiomedicalEngineering，2017，64（7）：147914作者：Chen W X，McDuff D. DeepPhys：使用卷积注意力网络进行基于视频的生理测量。In：ComputerVisionSpringer International Publishing，2018，35615王志坚，高永，徐春堂.基于视觉的双流cnn心率估计。IEEE International Conference on Image Processing（IEEE图像处理国际会议）2019年IEEE年会16刘红霞，西蒙尼扬K，杨延明.DARTS：微分架构搜索。201817余志，李新，赵刚.使用时空网络从面部视频进行远程光电体积描记信号测量。在：英国机器视觉会议。201918许国生，陈文生，陈文生。基于时频表示的深度学习，用于从面部视频中进行脉搏估计。IEEE International JointConference on Biometrics生物统计学国际联合会议IEEE，201719牛晓生，单世刚，韩红，陈晓玲. RhythmNet：通过时空表示从面部进行端到端心率估计。IEEE图像处理学报，2020，29：240920牛X，赵X，韩H，达斯A，陈X.利用时空注意力的人脸鲁棒远程心率估计。IEEE International Conference onAutomatic Face Gesture Recognition（IEEE国际人脸手势识别会议）2019年IEEE年会21[10]李晓，李晓，李晓.使用强化学习设计神经网络架构。201622Zoph B，Le Q V. Neural architecture search with reinforcement learning. 201623真正的E。图像分类器的大规模进化。第34届机器学习国际会议论文集。JMLR，201724陈晓，谢丽霞，吴军，田强.渐进式可区分架构搜索：弥合搜索与评估之间的深度鸿沟。201925徐勇，谢玲，张翔，陈翔，齐刚，田强，熊宏。PC-DARTS：用于内存高效架构搜索的部分通道连接。在：学习代表国际会议。美国新奥尔良，201926Verkruysse W，Svaasand L O，Stuart Nelson J.使用环境光的远程体积描记成像。光学快报，2008，16（26）：2143427放大图片作者：Wang W J，den Brinker A C，de Haan G.单元件远程PPG。IEEE Transactions on BiomedicalEngineering，2019，66（7）：203228牛晓生，韩红，单树国，陈晓林. VIPL-HR：一个多模态数据库，用于从较少约束的脉搏估计 面部视频In：Computer Vision-ACCV 2018. Springer International Publishing，2019，56229Špetlík R，Franc V，Matas J.使用卷积神经网络进行视觉心率估计。在：英国机器视觉会议论文集。201830杨伟，王伟，王伟.移动服务机器人的非接触式视频脉搏率测量。第23届IEEE机器人与人类交互通信国际研讨会。201431Carreira J，Zisserman A.你说的是行动识别吗新模型和动力学数据集。在：IEEE/CVF计算机视觉和模式识别会议的论文集。IEEE，201741虚拟现实智能硬件2021年11月3日第132牛X，韩H，单S，陈X. Synrhythm：学习从一般到具体的深度心率估计。国际模式识别会议（InternationalConference on Pattern Recognition）201833杨志华，李志华.基于自适应矩阵完成的真实人脸视频心率估计。在：IEEE/CVF计算机视觉和模式识别会议的论文集。IEEE，201634余志涛，李晓波，牛晓生，石建国，赵桂英. AutoHR：用于远程心率测量的强大端到端基线，带有神经搜索。IEEE信号处理快报，2020，27：124535Ma N N，Zhang XY，Zheng H T，Sun J. ShuffleNet V2：高效CNN架构设计的实用指南。In：Computer Vision施普林格国际出版社，2018年，第12236韩红，单世国，陈晓玲，劳世华，高伟.面向可分离性的光照不敏感人脸识别预处理。In：Computer Vision柏林，海德堡，施普林格柏林海德堡，2012，30737牛X，韩红，杨S，黄Y，单S。局部关系学习与个人特定形状正则化用于面部动作单元检测。2019年IEEE/CVF计算机视觉和模式识别会议（CVPR）。2019年IEEE年会42