跨域面部表情识别：统一评测基准与对抗图学习
计算机视觉与模式识别
2021-12-01 v8
摘要
为解决不同面部表情识别（FER）数据集间的数据不一致问题，近年来人们广泛设计了多种跨域 FER 方法（CD-FER）。尽管各自宣称取得了优越性能，但由于源/目标数据集与特征提取器的选择不一致，缺乏公平比较。本工作中，我们首先分析了这些不一致选择导致的性能影响，然后重新实现了一些性能良好的 CD-FER 及近期发表的域适应算法。我们确保所有这些算法采用相同的源数据集与特征提取器，以实现公平的 CD-FER 评测。我们发现，当前大多数领先算法使用对抗学习来学习整体域不变特征以缓解域偏移。然而，这些算法忽略了局部特征，而局部特征在不同数据集间更具可迁移性，并携带更细粒度的适配内容。为解决这些问题，我们通过将图表示传播与对抗学习相整合，开发了新颖的对抗图表示适配（AGRA）框架，以实现跨域整体-局部特征协同适配。具体而言，它首先构建两个图，分别关联各域内部以及不同域之间的整体与局部区域。然后，它从输入图像中提取整体-局部特征，并使用可学习的逐类统计分布来初始化相应的图节点。最后，采用两个堆叠的图卷积网络（GCN）在各域内部传播整体-局部特征以探索其交互，并在不同域之间传播以实现整体-局部特征协同适配。我们在多个流行基准上进行了广泛而公平的评测，结果表明所提出的 AGRA 框架优于以往最先进（SOTA）方法。
引用
@article{arxiv.2008.00923,
title = {Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning},
author = {Tianshui Chen and Tao Pu and Hefeng Wu and Yuan Xie and Lingbo Liu and Liang Lin},
journal= {arXiv preprint arXiv:2008.00923},
year = {2021}
}
备注
Accepted at T-PAMI, 2021. arXiv admin note: text overlap with arXiv:2008.00859