Learn-to-Decompose：面向跨域少样本面部表情识别的级联分解网络
计算机视觉与模式识别
2022-07-19 v1
摘要
现有多数复合面部表情识别(FER)方法依赖大规模标注复合表情数据训练。然而，收集此类数据费时费力。本文在跨域少样本学习(FSL)设定下解决复合FER任务，该设定仅需目标域中少量复合表情样本。具体地，我们提出一种新颖的级联分解网络(CDNet)，其基于顺序分解机制级联多个参数共享的learn-to-decompose模块，以获得可迁移特征空间。为缓解本任务中基类别有限导致的过拟合问题，设计了一种部分正则化策略，以有效结合情景训练与批量训练二者之长。通过在多个基础表情数据集上的相似任务间训练，CDNet习得了可轻松适配以识别未见复合表情的learn-to-decompose能力。在实验室与真实场景复合表情数据集上的大量实验证明了所提CDNet优于多种最先进FSL方法。代码见：https://github.com/zouxinyi0625/CDNet。
引用
@article{arxiv.2207.07973,
title = {Learn-to-Decompose: Cascaded Decomposition Network for Cross-Domain Few-Shot Facial Expression Recognition},
author = {Xinyi Zou and Yan Yan and Jing-Hao Xue and Si Chen and Hanzi Wang},
journal= {arXiv preprint arXiv:2207.07973},
year = {2022}
}
备注
17 pages, 5 figures