ECCVJul, 2022

从众学习：消除注意力一致性对于有噪声标签的面部表情识别

PDF
TL;DR本文提出了一种新的方法，即 Erasing Attention Consistency (EAC) 来解决标签噪声问题，该方法利用人类面部图像的翻转语义一致性设计不平衡框架，并利用随机抹除输入图像和翻转注意力一致性来自动抑制噪声样本的干扰，从而显著优于现有的技术并且具有很好的泛化性能。
facial expression recognitionnoisy labelsfeature-learningerasing attention consistency methodflip semantic consistency
发现论文，激发创造
  • 适应性阈值和负类引导嘈杂标注的鲁棒性面部表情识别

    本研究提出了一种动态自适应阈值的方法来解决面部表情识别中存在的不准确注释的问题，该方法通过样本选择和负类一致性引导模型学习，以获得比现有基线方法更好的性能。

    May, 2023

  • 基于动态自适应阈值学习的鲁棒性面部表情识别

    通过动态阈值方法，从含无干扰样本的数据集中选择数据，以减少嘈杂注释对面部表情识别深度学习的影响。同时，该研究还构建了一个无监督的同步 loss 机制使其能够学习从所有的数据集中学习。

    Aug, 2022

  • 彻底搜索：解决不平衡的面部表情识别中的额外知识

    提出了一种新的面部表情识别方法，在不平衡的数据集中利用重新平衡的注意力图和重新平衡的平滑标签，使模型能够从所有训练样本中提取与次要类别相关的变换不变信息，并在不平衡的面部表情识别任务中取得了最先进的性能。

    Oct, 2023

  • LA-Net: 面部表情识别中基于地标的可靠学习

    提出一种名为 Landmark-Aware Net（LA-Net）的新型面部表情识别模型，利用面部标记从两个角度降低标签噪声的影响，通过邻域聚合构建每个样本的标签分布，并使用表情 - 标记对比损失将标记信息融入表情表示中，以提高培训监督质量，并在野外数据集和合成噪声数据集上展示了最先进的性能。

    Jul, 2023

  • 噪声标签学习中的表征与分类器解耦

    本文提出了一种名为 REED 的新方法来解决卷积神经网络在存在噪声标签时训练的挑战，该方法通过无监督学习获取表示，通过分类器的半监督自训练解决噪声标签学习问题，并联合半监督重新训练表示和分类器，实现了对噪声标签的鲁棒性，大量实验结果表明，该方法在高噪声水平下可以显著击败现有的最先进方法。

    Nov, 2020

  • 通过去色素和亲和力学习修正面部表情表示

    本研究提出了一种新的模块，名为 “Amending Representation Module (ARM)”，可有效增强面部表情识别的性能，通过减少侵蚀特征权重和简化表征学习两个方向，克服了卷积填充引起的侵蚀问题，获取更准确的面部表情识别结果。

    Mar, 2021

  • ReSup：面部表情识别的可靠标签噪声抑制

    本文提出了一种可靠的噪声标签压制方法，称为 ReSup，通过同时建模噪声和干净标签的分布，将噪声数据的判定作为基于预测和目标之间不一致性的一个统计学习问题，再利用两个网络共同实现噪声数据压制，实验证明在三个流行基准数据集上，该方法显著优于当前最先进的噪声标签 FER 方法。

    May, 2023

  • 通过半监督预训练和时间建模探索面部表情识别

    我们提出了一种半监督学习技术来生成未标记面部数据的表情类别伪标签以解决有限 FER 数据集的泛化能力问题，并采用均匀抽样和去偏反馈学习策略来应对数据集中的类别不平衡问题和半监督学习中的数据偏差问题。此外，引入了时间编码器来学习和捕捉静态图像之间的临近表情特征的时间关系，并在第 6 届 ABAW 竞赛中在官方验证集上取得了优秀的成绩，充分证实了我们提出方法的有效性和竞争力。

    Mar, 2024

  • ASM：面向野外人脸表情识别的自适应样本挖掘

    通过自适应样本挖掘方法，实现了在面部表情识别中对于模糊性和噪声的动态处理，包括自适应阈值学习、样本挖掘和三重正则化模块，该方法能够有效地挖掘模糊性和噪声，并在合成噪声和原始数据集上优于目前最先进的方法。

    Oct, 2023

  • 面部表情识别的情感掩码自编码器与注意融合

    创新方法集成了自我监督学习方法 MAE-Face 和融合注意机制，用于情感分类，通过提取关键面部特征以增强模型性能，特别是在 ABAW 第六次竞赛中展示，并在 Aff-wild2 数据集上得到显著验证。

    Mar, 2024