通过半监督渐进式教师提升面部表情识别性能
计算机视觉与模式识别
2022-05-31 v1
摘要
本文中，我们旨在通过利用半监督学习来提升野外环境下面部表情识别（FER）的性能。大规模标注数据与深度学习方法已极大提升了图像识别的性能。然而，由于训练数据匮乏与标注错误（如标签噪声），FER 的性能仍不理想。在现有野外 FER 数据集中，可靠的数据集所含数据不足以训练鲁棒深度模型，而大规模数据集标注质量较低。为解决该问题，我们提出一种名为渐进式教师（PT）的半监督学习算法，以利用可靠的 FER 数据集以及大规模无标签表情图像进行有效训练。一方面，PT 引入半监督学习方法缓解 FER 中的数据短缺；另一方面，它自动且渐进地筛选有用标注训练样本以减轻标签噪声。PT 使用筛选出的干净标注数据计算有监督分类损失，并使用无标签数据计算无监督一致性损失。在常用数据库 RAF-DB 与 FERPlus 上的实验验证了方法的有效性，其在 RAF-DB 上以 89.57% 的准确率取得当前最优性能。此外，当合成噪声率高达 30% 时，我们的 PT 算法性能仅下降 4.37%。
引用
@article{arxiv.2205.14361,
title = {Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher},
author = {Jing Jiang and Weihong Deng},
journal= {arXiv preprint arXiv:2205.14361},
year = {2022}
}