MixAugment与Mixup：面向面部表情识别的数据增强方法
计算机视觉与模式识别
2022-05-10 v1 机器学习
摘要
自过去20年来，自动面部表情识别（FER）吸引了越来越多的关注，因为面部表情在人类交流中起着核心作用。大多数FER方法利用深度神经网络（DNNs），它们是数据分析的强大工具。然而，尽管强大，这些网络易于过拟合，因为它们往往倾向于记忆训练数据。此外，目前尚无大量野外（即无约束环境）的FER大型数据库。为缓解此问题，已提出多种数据增强技术。数据增强是通过对原始数据施加受限变换来增加可用数据多样性的方法。其中一项对各种分类任务有积极贡献的技术是Mixup。据此，DNN在成对样本及其对应标签的凸组合上训练。本文中，我们检验了Mixup在野外FER中的有效性，其中数据在头部姿态、光照条件、背景和上下文上有较大变化。然后我们提出一种基于Mixup的新的数据增强策略，称为MixAugment。据此，网络同时在虚拟样本与真实样本的组合上训练；所有这些样本都对总体损失函数有贡献。我们进行了广泛的实验研究，证明了MixAugment相对于Mixup及多种最先进方法的有效性。我们进一步研究了dropout与Mixup和MixAugment的组合，以及其他数据增强技术与MixAugment的组合。
引用
@article{arxiv.2205.04442,
title = {MixAugment & Mixup: Augmentation Methods for Facial Expression Recognition},
author = {Andreas Psaroudakis and Dimitrios Kollias},
journal= {arXiv preprint arXiv:2205.04442},
year = {2022}
}