May, 2023

适应性阈值和负类引导嘈杂标注的鲁棒性面部表情识别

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

    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。

    Jul, 2022

  • Ada-DF: 一种适应性标签分布融合网络用于面部表情识别

    通过标签分布学习范例和双分支的自适应分布融合框架，以应对日常生活中面部表情识别（FER）任务中数据集中的注释模糊性，并通过辅助分支获得样本的标签分布，计算每种情绪的类别分布，然后根据注意权重自适应地融合这两个分布来训练目标分支，在 RAF-DB、AffectNet 和 SFEW 三个真实世界数据集上进行的大量实验证明了我们的 Ada-DF 相对于最先进的工作的优势。

    Apr, 2024

  • 开放集合人脸表情识别

    我们提出了一种新的面部表情识别模型，将小类间距的劣势转化为优势，通过注意力图的一致性和循环训练来检测开放集样本，实验证明我们的方法在各种面部表情识别数据集上明显优于现有的开放集识别方法。

    Jan, 2024

  • 利用对比预训练的主动学习进行面部表情识别

    深度学习在面部表情识别方面发挥了重要作用，但标记数据获取需要巨大人力和财力投入，研究发现已有的主动学习方法在面部表情识别上表现不佳，为解决该问题，提出了对比自监督预训练方法，通过两步骤的方法，相较于随机采样提高了 9.2% 的准确度。

    Jul, 2023

  • 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

  • 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

  • 适应任务的负样本预测在 Few-Shot 开放式识别中的应用

    该研究提出了一种基于负类样本生成和使用动态拒绝边界的少样本开放集识别方法，有效地处理开放集分类中的数据限制问题。

    Dec, 2020

  • 深度面部表情识别研究综述

    深度神经网络在面部表情识别中的应用、数据集和算法，针对过拟合和灯光、头部姿态等问题，分析和总结静态和动态图像序列的最新模型和性能，并探讨未来的发展方向和挑战。

    Apr, 2018

  • 利用众包标签分布训练面部表情识别的深度网络

    本文演示如何使用深度卷积神经网络 (DCNN) 从嘈杂的标签中学习，并以面部表情识别为例。通过比较多数投票，多标签学习，概率标签绘制和交叉熵损失四种方法来利用多个标签，我们发现传统的多数投票方案表现不如完全利用标签分布的最后两种方法。此外，我们还向研究社区共享了一组多标签面部图像数据集。

    Aug, 2016