基于宽集成卷积神经网络的高效人脸特征学习
计算机视觉与模式识别
2020-01-20 v1 机器学习
机器学习
摘要
集成方法传统上由独立训练的去相关模型构建，已被证明是减少剩余残差泛化误差的有效方法，从而产生了适用于真实世界应用的鲁棒且准确的方法。然而，在深度学习背景下，训练深度网络集成成本高昂且会产生低效的高冗余。本文中，我们展示了基于卷积网络的共享表示集成（Ensembles with Shared Representations, ESRs）的实验，从定量和定性角度证明其数据处理效率及对大规模面部表情数据集的可扩展性。我们表明，通过改变ESR的分支层级，可以在不损失多样性和泛化能力（二者对集成性能均十分重要）的情况下显著减少冗余和计算负载。在大规模数据集上的实验表明，ESRs减少了AffectNet和FER+数据集上的剩余残差泛化误差，达到人类水平性能，并在使用情绪和情感概念的野外面部表情识别上优于state-of-the-art方法。
引用
@article{arxiv.2001.06338,
title = {Efficient Facial Feature Learning with Wide Ensemble-based Convolutional Neural Networks},
author = {Henrique Siqueira and Sven Magg and Stefan Wermter},
journal= {arXiv preprint arXiv:2001.06338},
year = {2020}
}
备注
Accepted at the Thirty-Fourth AAAI Conference on Artificial Intelligence (AAAI-20), 1-1, New York, USA