深入审视面部表情数据集偏差
计算机视觉与模式识别
2020-04-17 v1
摘要
数据集在面部表情识别算法的进展中起着重要作用，但它们可能受到由不同文化和采集条件引起的明显偏差的影响。为深入探究此偏差，我们首先在数据集识别与跨数据集泛化任务上进行了综合实验，并首次探讨了数据集差异的内在成因。结果定量验证了当前数据集存在强烈的固有偏差，相应分析表明源域与目标域之间的条件概率分布不同。然而，以往研究主要基于浅层特征，其判别能力有限，且假设跨域条件分布不变。为解决这些问题，我们进一步提出一种新颖的深度情感条件自适应网络（ECAN）以学习域不变且具有判别性的特征表示，该网络可同时匹配跨域的边缘分布与条件分布。此外，被长期忽视的表情类别分布偏差也通过可学习的重加权参数加以处理，从而使训练域与测试域共享相似的类别分布。在受控实验室数据集（CK+、JAFFE、MMI和Oulu-CASIA）及真实世界数据库（AffectNet、FER2013、RAF-DB 2.0和SFEW 2.0）上的大量跨数据库实验表明，我们的ECAN在各种面部表情迁移任务中均具竞争力，并优于当前最优方法。
引用
@article{arxiv.1904.11150,
title = {A Deeper Look at Facial Expression Dataset Bias},
author = {Shan Li and Weihong Deng},
journal= {arXiv preprint arXiv:1904.11150},
year = {2020}
}