持续面部表情识别：一个基准
计算机视觉与模式识别
2023-05-12 v1 机器学习
摘要
理解人类情感行为，尤其是在真实世界动态环境中的行为，需要面部表情识别（FER）模型持续适应使用者表情的个体差异、情境属性以及环境。当前基于（深度）机器学习（ML）的 FER 方法在基准数据集上孤立地预训练，无法捕捉真实世界交互中的细微差别，因为数据仅以增量方式可用，由智能体或机器人在交互过程中获取。新学习以先前知识为代价，导致灾难性遗忘。另一方面，终身或持续学习（CL）通过对变化的数据分布保持敏感，使智能体能够适应，并在整合新信息时不干扰先前学到的知识。本文将 CL 视为 FER 的一种有效学习范式，提出了持续面部表情识别（ConFER）基准，该基准在 FER 任务上评估流行的 CL 技术。它对 CK+、RAF-DB 和 AffectNet 等流行 FER 数据集上的若干基于 CL 的方法进行了比较分析，并提出了在情感计算（AC）研究中成功实现 ConFER 的策略。在不同学习设置下，CL 技术被证明在多个数据集上取得了最先进（SOTA）性能，从而引发了关于将 CL 原理应用于人类行为理解（特别是通过面部表情）的益处及所面临挑战的讨论。
引用
@article{arxiv.2305.06448,
title = {Continual Facial Expression Recognition: A Benchmark},
author = {Nikhil Churamani and Tolga Dimlioglu and German I. Parisi and Hatice Gunes},
journal= {arXiv preprint arXiv:2305.06448},
year = {2023}
}