超越过拟合：用于可泛化AU检测的双重自适应Dropout

面部动作单元（AU）对于传达心理状态和情感表达至关重要。尽管利用深度学习的自动AU检测系统已取得进展，但它们通常会过拟合于特定数据集和个体特征，限制了其跨域适用性。为了克服这些局限性，我们提出了一种用于跨域AU检测的双重自适应dropout方法，该方法增强了卷积特征图和空间token对域偏移的鲁棒性。该方法包括一个通道丢弃单元（CD-Unit）和一个token丢弃单元（TD-Unit），它们协同工作以减少通道和token级别上特定于域的噪声。CD-Unit保留了特征图中与域无关的局部模式，而TD-Unit帮助模型识别可跨域泛化的AU关系。在每层集成的辅助域分类器指导选择性省略对域敏感的特征。为防止过度的特征dropout，采用了渐进式训练策略，允许在任意模型层选择性排除敏感特征。广泛的实验评估表明，我们的方法在跨域AU检测中始终优于现有技术。注意力图的可视化也突显了与单个和组合AU相关的清晰且有意义的模式，进一步验证了该方法的有效性。