基于多阈值的深度度量学习用于人脸表情识别

基于三角形损失的深度度量学习生成的有效表达特征表示对于人脸表情识别（FER）具有重要优势。三角形损失的性能依赖于识别三角形损失的最佳阈值。然而，阈值验证面临很大的挑战，因为理想阈值会因数据集不同，甚至在同一数据集的不同类别之间发生变化。本文提出了一种多阈值深度度量学习技术，不仅避免了困难的阈值验证，而且大大增加了三角形损失学习构建表达特征表示的容量。我们发现，三角形损失的每个阈值本质上都决定了不同类别变化的独特分布，并对应于唯一的表达特征表示。因此，与其从有效阈值范围内选择单个最优阈值，不如 thoroughly 样本化范围内的阈值，使表征特征在范围内的特征特性能够被充分提取和利用用于 FER。为实现此方法，我们将深度度量学习网络的嵌入层划分为一组切片，并将这些嵌入切片的训练建模为端到端的多阈值深度度量学习问题。每个嵌入切片对应一个样本阈值，并通过强制对应三角形损失进行学习，从而得到一组不同的表达特征（每个嵌入切片一个）。这使得由一组切片组成的嵌入层更具信息性和判别性，从而提高 FER 准确率。广泛的评估表明，所提出的方法在包括姿态人脸表情数据集和自然人脸表情数据集上的性能均表现优异。