类别自适应阈值与负类引导的噪声标注鲁棒人脸识别
计算机视觉与模式识别
2023-05-04 v1
摘要
人脸识别(FER)中的阻碍性问题是数据集中存在不准确的标注,即所谓的噪声标注。这些噪声标注由于标注主观性、图像清晰度等原因而固有地存在于数据集中。近期工作使用样本选择方法解决FER中的噪声标注问题。在我们的工作中,我们使用动态自适应阈值将置信样本与非置信样本分离,从而使我们的学习不会因非置信样本而受碍。我们并未丢弃非置信样本,而是对这些非置信样本的负类施加一致性约束,以引导模型在正类中更好地学习。由于FER数据集通常包含7或8个类别,即使随机选取,我们也能以85%的概率正确猜出负类。通过学习“样本不属于哪一类”,模型能够以更好的方式学习“它属于哪一类”。我们通过定量与定性结果展示了所提框架的有效性。在RAFDB和FERPlus上,对于上述数据集中不同水平的合成噪声标签,我们的方法比基线分别高出4%至28%和3.3%至31.4%。
引用
@article{arxiv.2305.01884,
title = {Class adaptive threshold and negative class guided noisy annotation robust Facial Expression Recognition},
author = {Darshan Gera and Badveeti Naveen Siva Kumar and Bobbili Veerendra Raj Kumar and S Balasubramanian},
journal= {arXiv preprint arXiv:2305.01884},
year = {2023}
}
备注
14 pages, 9 figures