Aug, 2020

跨域人脸表情识别：统一评估基准和对抗性图学习

PDF
TL;DR本文针对不同面部表情识别（FER）数据集间的数据不一致性问题，提出了一种新的跨域 FER 方法（AGRA），通过将图表示传播与对抗学习相结合，实现了域内和跨域间简化特征的自适应共适应。简单说，这个方法可以更好地识别面部表情并且比以前的方法表现更好。
cross-domain facial expression recognitiondomain adaptationgraph representation propagationadversarial learningfeature co-adaptation
发现论文，激发创造
  • 面部表情跨领域识别的对抗性图表示适应

    本文提出了一种名为 AGRA 的新颖的敌对图表示适应框架，将图表示传播与敌对学习结合起来，实现跨域整体 - 局部特征共适应，并探索它们的相互作用，使 AGRA 框架能够自适应地学习细粒度的不变特征，从而促进跨域表情识别。

    Aug, 2020

  • 自适应全局局部表征学习与选择 用于跨领域面部表情识别

    针对交叉领域面部表情识别中领域转移的挑战，提出一种自适应的全局 - 局部表示学习与选择框架，通过全局 - 局部对抗性适应和语义感知伪标签生成来增强训练中的领域不变性和判别特征学习，同时，在推断过程中引入了全局 - 局部预测一致性学习来改进分类结果，通过一系列实验，结果表明该框架在公平评估中比现有竞争方法表现出明显的优势。

    Jan, 2024

  • 无源跨域人脸表情识别的簇级伪标签

    本文提出了第一个基于自我监督预训练和聚类级伪标记的无源自适应方法，通过解决面部表情识别中域偏移和数据保护问题，在 FER 的四种自适应情境下验证了其有效性，并证明其与处理 UDA 下 FER 的现有方法相当。

    Oct, 2022

  • 公平性遇见跨域学习：模型和度量的新视角

    本文提出了一个关于面部和医学图像的基准测试，并介绍了一个新的谐波公平（HF) 得分来综合地评估每个模型在准确性和公正性方面与参考基线相比的情况。实验结果发现，CD 方法比最先进的公平算法更能有效地解决模型公理问题。综上所述，我们的工作为计算机视觉中的公平性问题提供了更系统的分析方法。

    Mar, 2023

  • 面部识别联邦无监督领域自适应

    本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题，并在新构建的基准测试数据集上进行了广泛的实验，证明在不同的评估指标上，该方法在目标域上的表现优于基线和经典方法 3％至 14％。

    Apr, 2022

  • 对抗式判别异质人脸识别

    本文提出了一种对抗鉴别特征学习框架，通过在原始像素空间和紧凑特征空间上进行对抗学习，整合跨光谱人脸超分辨率和鉴别特征学习。在三个 NIR-VIS 数据库的实验结果表明，我们的方法优于最先进的 HFR 方法，且不需要复杂网络或大规模训练数据集。

    Sep, 2017

  • 梯度对齐用于跨域人脸反欺诈

    介绍了一种新颖的学习目标 GAC-FAS，该目标鼓励模型收敛到一个最优的平坦最小值而不需要额外的学习模块，通过在每个域上识别升序点并调节在这些点的泛化梯度更新，使得模型对领域变化具有稳健性。在具有挑战性的跨领域 FAS 数据集上进行了严格测试，并取得了最优的性能。

    Feb, 2024

  • 图关系领域自适应

    本文提出一种利用域图编码域相邻度的方法，将域统一 alignment 放松，以灵活的方式进行域对齐，并基于图结构推广现有的对抗学习框架，成功地将域信息自然地纳入域自适应方法，提高了现有域自适应方法在综合和真实数据集上的效果。

    Feb, 2022

  • 在野外使用平衡数据集进行的深度面部表情识别基准测试

    基于大规模 FER 数据集的广泛实验和实践交叉验证，本文对多种网络架构进行排名，并给出了在真实情景中应用深度 FER 方法的一些推荐。此外，还讨论了实际 FER 应用中的潜在道德规范，隐私问题和法规。

    Nov, 2023

  • 基于聚类的域自适应深度人脸识别

    本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。

    May, 2022