面向持续学习的高语义特征：复杂情绪识别的轻量级方案
计算机视觉与模式识别
2025-10-17 v2
摘要
增量学习因在学习新任务时可能发生对旧任务的灾难性遗忘而属复杂过程。这主要源于不符合任务间迁移的暂时性特征。本文聚焦于复杂情绪识别。首先学习基本情绪，然后像人类一样逐步学习复杂情绪。我们表明，描述面部肌肉运动的动作单元（Action Units）是非暂时性、高度语义化的特征，优于由浅层和深层卷积神经网络提取的特征。凭借这一能力，我们的方法在学习增量复杂复合情绪时 achieves 0.75 的准确率，结果优于当前方法。此外，该方法具有轻量级模型和较小的内存占用。
引用
@article{arxiv.2510.13534,
title = {High Semantic Features for the Continual Learning of Complex Emotions: a Lightweight Solution},
author = {Thibault Geoffroy and Gauthier Gerspacher and Lionel Prevost},
journal= {arXiv preprint arXiv:2510.13534},
year = {2025}
}
备注
10 pages, 14 figures