抑制不确定性以用于大规模面部表情识别
计算机视觉与模式识别
2020-03-09 v2
摘要
由于模糊的面部表情、低质量的面部图像以及标注者的主观性所带来的不确定性，标注一个定性大规模面部表情数据集极为困难。这些不确定性导致了深度学习时代大规模面部表情识别（FER）的一个关键挑战。为解决此问题，本文提出一种简单而高效的自愈网络（Self-Cure Network, SCN），其能有效抑制不确定性并防止深度网络对不确定面部图像过拟合。具体而言，SCN从两个不同的方面抑制不确定性：1）在mini-batch上的自注意力机制，通过排序正则化对每个训练样本加权；2）一种谨慎的重新标注机制，用于修改最低排名组中这些样本的标签。在合成FER数据集和我们收集的WebEmotion数据集上的实验验证了方法的有效性。在公开基准上的结果表明，我们的SCN优于当前最先进（SOTA）方法，在RAF-DB上达到88.14%，在AffectNet上达到60.23%，在FERPlus上达到89.35%。代码将发布于https://github.com/kaiwang960112/Self-Cure-Network。
引用
@article{arxiv.2002.10392,
title = {Suppressing Uncertainties for Large-Scale Facial Expression Recognition},
author = {Kai Wang and Xiaojiang Peng and Jianfei Yang and Shijian Lu and Yu Qiao},
journal= {arXiv preprint arXiv:2002.10392},
year = {2020}
}
备注
This manuscript has been accepted by CVPR2020