GReFEL：面对偏差和不平衡数据分布的几何感知可靠面部表情学习

可靠的面部表情学习（FEL）涉及有效学习面部表情特征，以实现更可靠、无偏见且准确的预测，这在现实场景中尤为重要。然而，当前系统由于人们面部表情受其独特面部结构、运动、语调和人口学特征影响而在 FEL 任务上困难。偏差和不平衡的数据集加剧了这一挑战，导致错误且具有偏见的预测标签。为解决这些问题，我们引入 GReFEL，利用视觉 Transformer 和面部几何感知锚框可靠性平衡模块，以应对不平衡的数据分布、偏见和面部表情学习中的不确定性。通过整合局部和全局数据并使用学习不同面部数据点和结构特征的锚框，Our 方法调整了由于类内差异、类间相似性和尺度敏感性导致的偏差和误标记情绪，实现全面、准确且可靠的面部表情预测。我们的模型在各种数据集上均显著优于当前最先进的方法，实验结果充分证明了这一点。