用于表情识别的个性化特征迁移：一种高效的无源域适应方法
计算机视觉与模式识别
2026-03-13 v4 人工智能
摘要
面部表情识别（FER）模型广泛应用于基于视频的情感计算应用，如人机交互和医疗保健监控。然而，深度 FER 模型通常难以处理细微表情和较高的受试者间变异性，限制了在真实环境中的性能。无源域适应（SFDA）被提出用于仅使用无标签目标数据来个性化预训练的源模型，从而避免隐私、存储和传输限制。我们解决了一个特别具有挑战性的场景，即源数据不可用且目标数据仅包含中性表情。现有的 SFDA 方法并非为从单一目标类进行适应而设计，而生成非中性人脸图像通常不稳定且昂贵。为了解决这个问题，我们提出了具有个性化特征迁移的无源域适应（SFDA-PFT），这是一种轻量级的潜空间方法。首先在源数据上预训练一个翻译器，以在受试者之间映射特定于受试者的风格特征，同时通过表情一致性和风格感知目标保留表情信息。然后在不使用源数据或图像合成的情况下，将其适应于中性目标数据。通过在潜空间中操作，SFDA-PFT 避免了有噪声的人脸图像生成，减少了计算量，并学习了用于分类的判别性嵌入。在 BioVid、StressID、BAH 和 Aff-Wild2 上的实验表明，SFDA-PFT 在隐私敏感的 FER 场景中始终优于 SOTA 的 SFDA 方法。我们的代码公开发布于：\href{https://github.com/MasoumehSharafi/SFDA-PFT}{GitHub}。
引用
@article{arxiv.2508.09202,
title = {Personalized Feature Translation for Expression Recognition: An Efficient Source-Free Domain Adaptation Method},
author = {Masoumeh Sharafi and Soufiane Belharbi and Muhammad Osama Zeeshan and Houssem Ben Salem and Ali Etemad and Alessandro Lameiras Koerich and Marco Pedersoli and Simon Bacon and Eric Granger},
journal= {arXiv preprint arXiv:2508.09202},
year = {2026}
}