MAFER：一种用于面部表情识别的多分辨率方法

情绪在每个人的社会生活中起着核心作用，其研究作为一门多学科课题，涵盖了极为广泛的研究领域。尤其就后者而言，面部表情分析因其与人机交互应用的相关性而成为一个非常活跃的研究领域。在此背景下，面部表情识别（FER）旨在识别人脸上的表情。通常，人脸图像由具有不同特性（如输出分辨率）的相机采集。已有文献表明，应用于人脸识别的深度学习模型在多分辨率场景下测试时性能会下降。由于FER任务涉及分析可能由异构来源采集的人脸图像，从而包含不同质量的图像，因此有理由预期分辨率在此情况下也起着重要作用。基于这一假设，我们证明了多分辨率训练对于负责识别面部表情的模型所带来的益处。为此，我们提出了一种名为MAFER的两步学习流程，用于训练深度卷积神经网络（DCNN），使其能够在广泛的分辨率范围内生成鲁棒的预测。MAFER的一个相关特性是它与任务无关，即它可作为其他与目标相关技术的补充。为评估所提方法的有效性，我们在公开数据集上进行了广泛的实验：\fer{}、\raf{} 和 \oulu{}。对于多分辨率场景，我们观察到采用我们的方法后，学习模型超越了当前最优（SotA），同时在固定分辨率场景下报告了可比的结果。最后，我们分析了模型的性能，并观察到由其生成的深度特征具有更高的判别力。