用于面部情绪识别的多分支深度径向基函数网络
计算机视觉与模式识别
2021-09-09 v1
摘要
基于面部图像的情绪识别（ER）是情感计算中的标志性任务之一，在过去十年中取得了重大进展。早期ER工作依赖于手工特征来刻画面部图像，再输入标准预测模型。近期方法包括端到端可训练的深度学习方法，可同时学习特征与预测模型。或许最成功的模型基于卷积神经网络（CNN）。尽管这些模型在此任务上表现出色，仍难以捕捉学习过程中可能出现的局部模式。我们假设这些模式可由基于局部加权学习的变体捕捉。具体而言，本文提出一种以CNN为基础的架构，并通过由径向基函数（RBF）单元构成的多个分支进行增强，旨在学习的最后阶段利用局部信息。直观上，这些RBF单元利用中间表示捕捉相似样本共享的局部模式，然后将RBF输出输入softmax层，利用其信息提升模型预测性能。该特性在ER中尤为有利，因为文化/种族差异可能被局部单元识别。我们在多个ER数据集上评估所提方法，结果表明即便采用预训练VGG-Face模型作为骨干，所提方法在部分数据集上仍达到SOTA。我们证明正是局部信息的引入使所提模型具备竞争力。
引用
@article{arxiv.2109.03336,
title = {Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition},
author = {Fernanda Hernández-Luquin and Hugo Jair Escalante},
journal= {arXiv preprint arXiv:2109.03336},
year = {2021}
}
备注
Neural Comput & Applic (2021)