基于蒸馏数据的全监督面部表情识别

面部表情在理解人类情感中起着重要作用。近来，基于深度学习的方法在面部表情识别中展现出良好前景。然而，当前最先进的面部表情识别（FER）方法的性能与用于训练的标注数据直接相关。为解决此问题，已有工作采用预训练-微调策略，即利用大量无标注数据预训练网络，再用标注数据微调。由于标注数据量较少，最终网络性能仍受限。我们从不同角度出发，提出执行全监督学习（omni-supervised learning），直接从大量无标注数据中挖掘可靠样本用于网络训练。具体而言，首先利用在少量标注样本上训练的初基模型，基于特征相似度从人脸数据集MS-Celeb-1M中筛选高置信度得分样本，构建新数据集。我们通过实验验证，以这种全监督方式创建的新数据集能显著提升所学FER模型的泛化能力。然而，随着训练样本数增加，计算开销与训练时间急剧上升。为此，我们提出应用数据集蒸馏策略，将所建数据集压缩为若干信息丰富的类级图像，显著提升训练效率。我们在广泛使用的基准上进行了大量实验，所提框架在各种设置下均能取得一致的性能提升。更重要的是，蒸馏后的数据集以可忽略的额外计算成本展现了提升FER性能的能力。