基于自适应置信度边界的半监督深度面部表情识别
计算机视觉与模式识别
2022-03-25 v2
摘要
大多数半监督学习方法仅选取部分未标记数据训练模型，这些数据的置信度分数通常高于预定义阈值（即置信度边界）。我们认为应通过充分利用所有未标记数据来进一步提升识别性能。本文中，我们学习了一种自适应置信度边界（Ada-CM）以充分利用所有未标记数据进行半监督深度面部表情识别。在每个训练轮次，通过将未标记样本的置信度分数与自适应学习的置信度边界比较，将其划分为两个子集：（1）子集 I 包含置信度分数不低于该边界的样本；（2）子集 II 包含置信度分数低于该边界的样本。对于子集 I 中的样本，我们约束其预测与伪标签匹配。同时，子集 II 中的样本参与特征级对比目标以学习有效的面部表情特征。我们在四个具有挑战性的数据集上广泛评估了 Ada-CM，表明我们的方法达到了最先进的性能，尤其以半监督方式超越了全监督基线。消融研究进一步证明了我们方法的有效性。源代码发布于 https://github.com/hangyu94/Ada-CM。
引用
@article{arxiv.2203.12341,
title = {Towards Semi-Supervised Deep Facial Expression Recognition with An Adaptive Confidence Margin},
author = {Hangyu Li and Nannan Wang and Xi Yang and Xiaoyu Wang and Xinbo Gao},
journal= {arXiv preprint arXiv:2203.12341},
year = {2022}
}
备注
Accepted by CVPR2022