ASM：面向真实场景面部表情识别的自适应样本挖掘
计算机视觉与模式识别
2023-10-10 v1
摘要
鉴于面部表情类别间的相似性、复合面部表情的存在以及标注者的主观性，面部表情识别（FER）数据集常受模糊性与噪声标签的困扰。模糊表情难以与带噪声标签的表情区分，损害了 FER 模型的鲁棒性。此外，不同表情类别的识别难度各异，统一的处理方式对所有表情并不公平。本文提出一种称为自适应样本挖掘（ASM，Adaptive Sample Mining）的新方法，以动态应对每个表情类别内的模糊性与噪声。首先，自适应阈值学习模块为每个类别生成两个阈值，即干净阈值与噪声阈值，其基于各训练轮次的平均类别概率。接着，样本挖掘模块通过将样本置信度与干净及噪声阈值比较，将数据集划分为干净、模糊与噪声三个子集。最后，三重正则化模块对模糊子集采用互学习策略以增强判别力，对噪声子集采用无监督学习策略以缓解噪声标签的影响。大量实验证明，我们的方法能有效挖掘模糊与噪声，并在合成噪声数据集与原始数据集上均优于 SOTA 方法。补充材料见 https://github.com/zzzzzzyang/ASM。
引用
@article{arxiv.2310.05618,
title = {ASM: Adaptive Sample Mining for In-The-Wild Facial Expression Recognition},
author = {Ziyang Zhang and Xiao Sun and Liuwei An and Meng Wang},
journal= {arXiv preprint arXiv:2310.05618},
year = {2023}
}