DIG-FACE: 面向广义面部表情类别发现的去偏学习
计算机视觉与模式识别
2024-11-20 v2
摘要
我们引入了一个新任务，即广义面部表情类别发现（G-FACE），该任务在有效识别已知类别的同时，发现新的、未见过的面部表情。尽管存在针对自然图像的广义类别发现方法，但它们在G-FACE上表现不佳。我们识别出影响学习的两种偏差：隐式偏差，来自未标记数据中新类别与标记数据中已知类别之间的潜在分布差距；以及显式偏差，来自从已知表情到未知表情的显式视觉面部变化特征的偏好转移。通过解决这两种偏差带来的挑战，我们提出了一种去偏的G-FACE方法，即DIG-FACE，它有助于同时消除隐式和显式偏差。在DIG-FACE的隐式去偏过程中，我们设计了一种新的学习策略，旨在估计并最小化隐式偏差的上界。在显式去偏过程中，我们通过引入分层类别判别细化策略（样本级、三元组级和分布级优化）来优化模型处理细微视觉面部表情数据的能力。大量实验表明，我们的DIG-FACE显著提高了对已知和新类别的识别准确率，为该任务设立了首个标准。
引用
@article{arxiv.2409.20098,
title = {DIG-FACE: De-biased Learning for Generalized Facial Expression Category Discovery},
author = {Tingzhang Luo and Yichao Liu and Yuanyuan Liu and Andi Zhang and Xin Wang and Yibing Zhan and Chang Tang and Leyuan Liu and Zhe Chen},
journal= {arXiv preprint arXiv:2409.20098},
year = {2024}
}