利用基础特征的深度知识蒸馏进行复杂面部表情识别

复杂情绪识别是一项认知任务，迄今未能像其他达到或超越人类认知水平的任务那样取得同样优异的性能。通过面部表情进行情绪识别尤其困难，原因在于人脸所表达情绪的复杂性。要使机器在复杂面部表情识别上接近人类的表现水平，它可能需像人类一样实时综合知识并理解新概念。人类能够通过对记忆中重要信息进行蒸馏，仅用少量样本学习新概念。受人类认知与学习的启发，我们提出了一种用于复杂面部表情识别的新型持续学习方法，该方法通过依托并保留其对基础表情类的知识，利用少量训练样本准确识别新的复合表情类。本工作中，我们还使用 GradCAM 可视化来展示基础表情与复合面部表情之间的关系。我们的方法通过知识蒸馏与一种新颖的预测排序记忆回放利用该关系，在复杂面部表情识别的持续学习中达到当前最优，在新类上取得 74.28% 的总体准确率。我们还证明，将持续学习用于复杂面部表情识别远比非持续学习方法性能更优，相较最优非持续学习方法提升 13.95%。我们的工作也是首个将少样本学习应用于复杂面部表情识别的，仅每类一个训练样本即以 100% 准确率达到最优。