人脸动作单元检测深度模型的快速有效自适应
计算机视觉与模式识别
2019-11-28 v2
摘要
检测面部动作单元（AU）是自动识别情绪与认知状态面部表情的基础步骤之一。尽管已提出多种方法用于此任务，这些模型大多仅针对特定目标AU训练，因而难以轻松适应新AU（即未用于初始训练目标模型的AU）的识别任务。本文提出一种深度学习的人脸AU检测方法，可通过仅利用新任务（AU或受试者）的少量标注样本，轻松且快速地适应新AU或目标受试者。为此，我们提出一种基于模型无关元学习（model-agnostic meta-learning）概念的建模方法，该概念最初针对通用图像识别/检测任务（例如Omniglot数据集中的字符识别）提出。具体而言，每个受试者和/或AU被视为一个新学习任务，模型基于先前任务（用于预训练目标模型的AU与受试者）的知识进行适应。因此，给定新受试者或AU，这一在训练与测试任务间共享的元知识被用于借助深度学习和模型无关元学习的概念使模型适应新任务。我们在两个基准数据集（BP4D与DISFA）上表明，所提方法可轻松适应新任务（AU/受试者）。仅利用这些任务的少量标注样本，模型相较基线（即未适应模型）即取得大幅改进。
引用
@article{arxiv.1909.12158,
title = {Fast and Effective Adaptation of Facial Action Unit Detection Deep Model},
author = {Mihee Lee and Ognjen Rudovic and Vladimir Pavlovic and Maja Pantic},
journal= {arXiv preprint arXiv:1909.12158},
year = {2019}
}
备注
Presented at 2019 IJCAI Affective Computing Workshop