应对面部表情识别中的不确定性与类不平衡
计算机视觉与模式识别
2022-12-16 v1
摘要
面部表情识别在计算机视觉中是一项挑战。其主要原因在于数据采集导致的类不平衡，以及由模糊面部表情和不一致标签等固有噪声带来的不确定性。然而，当前研究要么关注类不平衡问题，要么关注不确定性问题，忽视了如何解决这两个问题交集的方法。因此，本文提出一种基于Resnet与注意力机制的框架来解决上述问题。我们为每个类别设计权重。通过惩罚机制，我们的模型在训练中将更多关注小样本的学习，而由此带来的模型精度下降可由卷积块注意力模块（CBAM）改善。同时，我们的骨干网络还会为每个样本学习一个不确定性特征。通过在样本间混合不确定性特征，模型能更好地学习那些可用于分类的特征，从而抑制不确定性。实验表明，我们的方法在面部表情数据集（如AffectNet、RAF-DB）上的准确率超越了大多数基础方法，并且也很好地解决了类不平衡问题。
引用
@article{arxiv.2212.07751,
title = {Combating Uncertainty and Class Imbalance in Facial Expression Recognition},
author = {Jiaxiang Fan and Jian Zhou and Xiaoyu Deng and Huabin Wang and Liang Tao and Hon Keung Kwan},
journal= {arXiv preprint arXiv:2212.07751},
year = {2022}
}