面向面部动作单元检测的元辅助学习
计算机视觉与模式识别
2021-05-17 v1
摘要
尽管深度神经网络在面部动作单元（AU）检测上取得了成功，但更好的性能依赖于大量带有准确 AU 标注的训练图像。然而，标注 AU 耗时、昂贵且易错。考虑到 AU 检测与面部表情识别（FER）是两个高度相关的任务，且面部表情（FE）相对易于标注，我们考虑以多任务方式学习 AU 检测与 FER。然而，由于多任务场景中的负迁移，AU 检测任务的性能未必总能提升。为缓解该问题，我们提出一种元辅助学习（MAL）方法，以元学习方式通过学习训练 FE 样本的自适应权重来自动筛选高度相关的 FE 样本。所学样本权重从两方面缓解负迁移：1）自动平衡各任务的损失；2）抑制具有较大不确定性的 FE 样本权重。在多个流行 AU 数据集上的实验结果表明，与最先进的多任务及辅助学习方法相比，MAL 持续提升了 AU 检测性能。MAL 根据辅助 FE 样本与主 AU 检测任务的语义相关性自动估计其自适应权重。
引用
@article{arxiv.2105.06620,
title = {Meta Auxiliary Learning for Facial Action Unit Detection},
author = {Yong Li and Shiguang Shan},
journal= {arXiv preprint arXiv:2105.06620},
year = {2021}
}