重新审视用于面部表情识别的小样本学习
计算机视觉与模式识别
2019-12-12 v2
摘要
现有大多数关于自动面部表情识别的深度神经网络都聚焦于一组预定义的情绪类别，其中训练数据量是影响性能的最大因素。然而，在标准设定下，过参数化神经网络不利于从少量样本中学习，因为它们会迅速过拟合。此外，这些方法不具备很强的泛化能力来识别新类别，其中每个类别的数据过于有限且同一语义类别内表情存在显著变化。我们直面这些挑战，并将该问题表述为低样本学习：一旦基础分类器部署完毕，它必须利用少量样本快速适应以识别新类别。在本文中，我们从泛化能力的角度，通过情景训练重新审视并比较了现有的小样本学习方法在低样本面部表情识别上的表现。特别地，我们扩展了对跨域泛化的分析，其中训练与测试任务并非来自同一分布。我们通过大量实验证明了低样本学习方法的有效性。
引用
@article{arxiv.1912.02751,
title = {Revisiting Few-Shot Learning for Facial Expression Recognition},
author = {Anca-Nicoleta Ciubotaru and Arnout Devos and Behzad Bozorgtabar and Jean-Philippe Thiran and Maria Gabrani},
journal= {arXiv preprint arXiv:1912.02751},
year = {2019}
}