面向自然跨数据集分布迁移的面部表情识别测试时适应评估
计算机视觉与模式识别
2026-03-23 v1 机器学习
图像与视频处理
信号处理
摘要
深度学习模型在自然分布迁移下常常难以应对，这是现实部署中常见的挑战。测试时适应（TTA）通过在推理期间适应模型而无需源数据标签来解决此问题。我们首次评估 TTA 方法在 FER 下的自然域迁移效果，进行跨数据集实验，使用广泛使用的 FER 数据集。这是一种超越合成损坏，检视由不同收集协议、标注标准和人口统计学差异引起的真实世界迁移。结果表明 TTA 可在自然迁移下提升 FER 性能，最高可提升 11.34\%。当目标分布干净时，像 TENT 和 SAR 这样的熵最小化方法表现最佳。相比之下，在分布距离更大的情况下，原型调整方法如 T3A 效果更好。最后，特征对齐方法如 SHOT 在目标分布比源分布更噪声更大时提供最大的提升。我们的跨数据集分析表明，TTA 的有效性取决于分布距离和域之间自然迁移的严重程度。
引用
@article{arxiv.2603.19994,
title = {Evaluating Test-Time Adaptation For Facial Expression Recognition Under Natural Cross-Dataset Distribution Shifts},
author = {John Turnbull and Shivam Grover and Amin Jalali and Ali Etemad},
journal= {arXiv preprint arXiv:2603.19994},
year = {2026}
}
备注
Accepted at ICASSP 2026