Jan, 2024

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

PDF
TL;DR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。
cross-domain facial expression recognitiondomain shiftadaptive global-local representation learningglobal-local adversarial adaptationsemantic-aware pseudo label generation
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

  • 跨域人脸表情识别：统一评估基准和对抗性图学习

    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。

    Aug, 2020

  • 通用人脸反欺诈的自适应归一化表征学习

    提出了基于规范化选择的适应性规范化表示学习框架，可提高面部反欺诈的泛化能力并具有较高的鲁棒性。通过实验验证了该方法在 SOTA 竞争者中的有效性。

    Aug, 2021

  • 基于图式元聚类和正则化适应的局部自适应人脸识别

    本文提出了一种基于环境数据的本地自适应人脸识别方法（LaFR），采用基于图卷积网络（GCN）的嵌入式聚类模型，在非监督学习方式下自动训练本地适应模型，并通过新型正则化技术提高模型适应性能，从而实现在不泄露本地客户隐私的前提下，提高人脸识别模型在特定环境下的准确性能。

    Mar, 2022

  • 有条件分布匹配和广义标签偏移的领域自适应

    本文提出了广义标签偏移（$GLS$）的假设来提高对不匹配标签分布的鲁棒性，在此基础上，提供了任何分类器的转移性能的理论保证，并且设计了估算相对类权重以及适当的样本重新加权的必要和充分条件。我们修改三个现有的域自适应 (DA) 算法（JAN，DANN 和 CDAN），评估它们在标准和人工 DA 任务上的性能，并且实验结果表明，在存在大的标签分布不匹配的情况下，我们算法的性能表现得到了显著的提高。

    Mar, 2020

  • 基于全局和局部表示的多网络对比学习

    提出了基于全局和局部特征表示的多网络对比学习框架，通过多个网络引入自监督对比学习的全局和局部特征信息，并通过对比由多个网络生成的嵌入对来学习图像不同尺度上的特征信息，并扩展对比样本数，提高了模型的训练效率。在三个基准数据集上的线性评估结果表明，我们的方法优于几种现有的经典自监督学习方法。

    Jun, 2023

  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 多样化匹配：一种面向领域适应的目标检测表示学习范式

    该研究介绍了一种针对目标检测的新型无监督域适应方法，通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上 mAP 平均精度方面的表现优于现有技术达到了 3%~11% 的大幅度提升。

    May, 2019

  • 适应性专家混合学习以实现通用人脸反欺诈

    提出了一个基于领域泛化的用于面部反欺诈的自适应专家混合学习框架，该框架利用专家间的关联性来进一步提高泛化性能，并且实验证明其相比于现有算法具有更好的效果。

    Jul, 2022

  • 混合领域人脸反欺诈的通用表示学习

    提出一种基于元学习的领域动态调整方法，以无需使用领域标签的方式迭代地计算混合域，并使用区分性领域表示学习模块提取出区分性的领域特征进行聚类，并结合最大均值偏差以及实例归一化来实现可靠的聚类效果。实验表明，该方法比传统的基于领域泛化的面部反欺诈方法效果更好，并通过可视化进一步提升了方法的可解释性。

    May, 2021