Oct, 2023

彻底搜索：解决不平衡的面部表情识别中的额外知识

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 改进分布对准实现公平的面部表情识别

    通过采用核均值收缩估计器来提高情绪识别模型的公平性，我们首次分析了吸引力作为一种重要的敏感属性，并通过 CelebA 和 RAF-DB 两个广泛使用的数据集上的实验证明了我们的方法的有效性。

    Jun, 2023

  • 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

  • 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

  • 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

  • 语义邻域感知的深度面部表情识别

    本文提出了一种新颖的方法来避免处理具有极端不平衡性、且在测试时会导致表现降低的 FER 数据集，在捕捉到输入轻微语义扰动的同时，考虑了样本点的邻域平滑度，减少了那些不可靠的样本的影响。在 AffectNet 这个最大的 FER 数据库中进行的实验表明，该方法是有效的，并且报告了最新的研究结果，相较于现有的的技术方法提高了 30% 的上限。

    Apr, 2020

  • 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

  • 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

  • 利用深度神经网络深入进行面部表情识别

    提出了一种深度神经网络构架，可在多个公共面部数据库上进行面部表情识别，并且在精度和训练时间上优于传统卷积神经网络和现有方法。

    Nov, 2015

  • 面部表情识别中性别刻板印象的影响

    本文介绍了关于面部表情识别中存在的人口统计偏见的问题，通过使用公共数据集进行实证研究，发现其结果表明在全球统计上存在的偏见并不意味着有利于所有人群，需要对歧视性偏见进行彻底分析和处理。

    Oct, 2022