从全部中学习：基于擦除注意力一致性处理噪声标签面部表情识别
计算机视觉与模式识别
2022-09-21 v2
摘要
噪声标签面部表情识别（FER）由于类间相似性和标注模糊性，比传统噪声标签分类任务更具挑战性。近期工作主要通过滤除大损失样本来解决该问题。本文从新的特征学习视角探索处理噪声标签。我们发现FER模型通过关注部分可被视为与噪声标签相关的特征来记忆噪声样本，而非从导致潜在真实标签的整体特征中学习。受此启发，我们提出一种新颖的擦除注意力一致性（EAC）方法，在训练过程中自动抑制噪声样本。具体而言，我们首先利用人脸图像的翻转语义一致性设计了一个非平衡框架。随后随机擦除输入图像，并利用翻转注意力一致性防止模型关注部分特征。EAC显著优于当前最优的噪声标签FER方法，并能很好地泛化到其他具有大量类别的任务（如CIFAR100和Tiny-ImageNet）。代码见https://github.com/zyh-uaiaaaa/Erasing-Attention-Consistency。
引用
@article{arxiv.2207.10299,
title = {Learn From All: Erasing Attention Consistency for Noisy Label Facial Expression Recognition},
author = {Yuhang Zhang and Chengrui Wang and Xu Ling and Weihong Deng},
journal= {arXiv preprint arXiv:2207.10299},
year = {2022}
}
备注
ECCV2022