面向基于面部属性的抑郁症识别的神经架构搜索
计算机视觉与模式识别
2022-01-25 v1 人工智能
摘要
近期研究表明，抑郁症可部分反映于人的面部属性。由于面部属性具有不同的数据结构并携带不同信息，现有方法未能专门考虑从每种属性中提取抑郁相关特征的最佳方式，也未探索最佳融合策略。本文提出扩展神经架构搜索（NAS）技术，为基于多种面部属性的抑郁症识别设计一个最优模型，该模型可在小数据集上高效且稳健地实现。我们的方法首先对每种面部属性的特征提取器进行预热步骤，旨在大幅缩减搜索空间并提供定制化架构，其中每个特征提取器可以是卷积神经网络（CNN）或图神经网络（GNN）。然后，我们对所有特征提取器和融合网络进行端到端的架构搜索，使互补的抑郁线索能以更少的冗余实现最优组合。在 AVEC 2016 数据集上的实验结果表明，通过我们的方法探索出的模型取得了突破性性能，在 RMSE 和 MAE 上分别比现有最优方法提升了 27% 和 30%。鉴于这些发现，本文为将 NAS 应用于基于时间序列数据的心理健康分析提供了坚实证据和强有力的基线。
引用
@article{arxiv.2201.09799,
title = {Neural Architecture Searching for Facial Attributes-based Depression Recognition},
author = {Mingzhe Chen and Xi Xiao and Bin Zhang and Xinyu Liu and Runiu Lu},
journal= {arXiv preprint arXiv:2201.09799},
year = {2022}
}