人脸表情识别场景中无三元组中心损失的负样本采样策略
计算机视觉与模式识别
2023-02-09 v1 人工智能
计算复杂性
计算机科学与博弈论
摘要
面部表情传递大量信息，在情绪表达中起着关键作用。深度神经网络（DNN）结合深度度量学习（DML）技术提升了模型在人脸表情识别（FER）应用中的判别能力。仅配备交叉熵等分类损失函数的 DNN，无法像在由 DML 支撑的损失项增强时那样压缩类内特征差异或分离类间特征距离。三元组中心损失（TCL）函数作用于样本在嵌入空间中嵌入向量的所有维度。本文中，我们提出了三种策略：全合成、半合成和基于预测的负样本选择策略。为取得更好结果，我们引入一个选择性注意力模块，利用输入样本的高语义深度特征提供像素级与元素级注意力系数的组合。我们在高度不平衡的数据集 RAF-DB 上评估了所提方法。实验结果显示，与基线相比，三种负样本选择策略均带来显著改进。
引用
@article{arxiv.2302.04108,
title = {Triplet Loss-less Center Loss Sampling Strategies in Facial Expression Recognition Scenarios},
author = {Hossein Rajoli and Fatemeh Lotfi and Adham Atyabi and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2302.04108},
year = {2023}
}
备注
The paper has been accepted in the CISS 2023 and will be published very soon