CNN 在跨数据集面部表情识别中的记忆完整性
计算机视觉与模式识别
2019-05-30 v1
摘要
面部表情识别是人工智能领域的一个重要问题。解决该问题的最佳方法之一是使用卷积神经网络 (CNNs)。然而，要正确训练这些网络需要大量数据，而大多数可用于面部表情识别的数据集都相对较小。规避数据匮乏的常用方法是使用在不同领域大型数据集上训练好的 CNN，并将其各层微调到目标领域。但是，微调过程无法保持记忆完整性，因为 CNN 倾向于遗忘已学习的模式。本文中，我们评估了不同的 CNN 微调策略，旨在跨数据集场景下评估这些策略的记忆完整性。在源数据集上预训练的 CNN 被用作基线，评估了四种适配策略：微调其全连接层；微调其最后卷积层与全连接层；在目标数据集上重新训练 CNN；以及融合源与目标数据集并重新训练 CNN。在四个数据集上的实验结果表明，源与目标数据集的融合在准确率与记忆完整性之间提供了最佳权衡。
引用
@article{arxiv.1905.12082,
title = {Memory Integrity of CNNs for Cross-Dataset Facial Expression Recognition},
author = {Dylan C. Tannugi and Alceu S. Britto and Alessandro L. Koerich},
journal= {arXiv preprint arXiv:1905.12082},
year = {2019}
}