基于双层自监督持续学习的鲁棒情绪识别
计算机视觉与模式识别
2025-05-20 v2 机器学习
摘要
通过生理信号如脑电图（EEG）进行情绪识别已成为情感计算中重要的方面，提供了一种客观捕捉人类情绪的方式。然而，由交叉主体变异和噪声标签特征化的生理数据阻碍了情绪识别模型的性能。现有的领域适应和持续学习方法在数据持续流式且无标记的现实条件下难以解决这些问题。为克服这些限制，我们提出了一种基于动态内存缓冲区的双层自监督持续学习框架，称为 SSOCL。这种双层体系结构迭代细化动态缓冲区和伪标签分配，以有效保留代表性样本，使模型能够从持续的、无标记的生理数据流中进行情绪识别的泛化。所分配的伪标签随后用于准确的情绪预测。框架的关键组件包括快速适应模块和聚类映射模块，能够实现稳健的学习和有效处理演变中的数据流。在两个主流的 EEG 任务上进行的实验验证表明，该框架能够适应持续的数据流，同时在主体之间保持强大的泛化能力，优于现有方法。
引用
@article{arxiv.2505.10575,
title = {Robust Emotion Recognition via Bi-Level Self-Supervised Continual Learning},
author = {Adnan Ahmad and Bahareh Nakisa and Mohammad Naim Rastgoo},
journal= {arXiv preprint arXiv:2505.10575},
year = {2025}
}