渐进式多源域适应用于个性化面部表情识别

个性化面部表情识别（FER）涉及使用来自标记源域和无标签目标域的样本来适应机器学习模型。鉴于识别微妙表情且存在显著的人际差异的挑战，当前的无监督域适应（UDA）方法聚焦于多源UDA（MSDA）设置，即每个域对应于特定主体，旨在提高模型的准确性和鲁棒性。然而，在适应特定目标时，多个源域的多样性导致源数据与目标数据之间存在大的分布差异。当前针对FER的MSDA方法通过考虑所有源来适应目标表示以解决域偏移问题。尽管如此，由于源域与目标域之间分布差异大的挑战往往导致负迁移。此外，同时整合所有源会增加计算成本并导致与目标的错位。为解决这些问题，我们提出一种渐进式MSDA方法，依据源主体与目标主体的相似性逐步引入信息。这确保仅选择与目标最相关的源，从而有助于避免因不相似源导致的负迁移。我们首先利用最近的源以减少与目标的分布偏移，然后在基于预设阈值仅考虑最相关源的前提下逐步移动到最远的源。此外，为缓解因源主体的逐步引入而导致的灾难性遗忘，我们实现了一个基于密度的记忆机制，用于保留最相关的历史源样本以进行适应。在Biovid、UNBC-McMaster、Aff-Wild2、BAH以及交叉数据集设置上进行了广泛实验。