用于面部行为分析模型自适应的高斯过程领域专家
机器学习
2016-05-03 v2 计算机视觉与模式识别
机器学习
摘要
我们提出了一种基于高斯过程(GPs)概率框架的监督领域自适应新方法。具体而言，我们引入领域特定的高斯过程作为从人脸图像进行面部表情分类的局部专家。分类器的自适应通过以多个源专家为条件对目标专家进行概率式处理而实现。此外，与现有自适应方法不同，我们也仅从可用的目标数据学习一个目标专家。然后，通过基于多个专家的置信度组合它们的预测，获得一个单一且置信的分类器。模型的学习是高效的，且不需要对源分类器进行重新训练/重新加权。我们在两个公开数据集上评估了所提方法，用于多类(MultiPIE)和多标签(DISFA)面部表情分类。为此，我们对两个上下文因素进行自适应：‘何处’（视角）和‘谁’（对象）。我们的实验表明，所提方法在使用少至30个目标样本的情况下，始终优于源分类器和目标分类器，并且也优于监督领域自适应的SOTA方法。
引用
@article{arxiv.1604.02917,
title = {Gaussian Process Domain Experts for Model Adaptation in Facial Behavior Analysis},
author = {Stefanos Eleftheriadis and Ognjen Rudovic and Marc P. Deisenroth and Maja Pantic},
journal= {arXiv preprint arXiv:1604.02917},
year = {2016}
}