面向不确定性的序学习用于面部美观度预测
计算机视觉与模式识别
2024-09-04 v1
摘要
以往的面部美观度预测（FBP）方法通常将图像的面部美观特征建模为潜在空间中的一个点，并学习从该点到精确分数的映射。尽管现有的回归方法在单一数据集上表现良好，但它们往往对测试数据敏感且泛化能力较弱。我们认为它们低估了FBP问题中存在的两个不一致性：1. 多个数据集之间面部美观标准的不一致性，以及2. 人类对图像面部美观认知的不一致性。为了解决这些问题，我们提出了一种新的面向不确定性的顺序学习（UOL）方法，其中顺序学习通过学习人脸图像之间的面部美观顺序关系而非映射来解决面部美观标准的不一致性，而不确定性建模则表征了人类认知中的不一致性。UOL的关键贡献在于设计了一个分布比较模块，该模块使传统的顺序学习能够学习不确定数据的顺序。在五个数据集上的大量实验表明，UOL在准确性和泛化能力方面均优于最先进的方法。
引用
@article{arxiv.2409.00603,
title = {Uncertainty-oriented Order Learning for Facial Beauty Prediction},
author = {Xuefeng Liang and Zhenyou Liu and Jian Lin and Xiaohui Yang and Takatsune Kumada},
journal= {arXiv preprint arXiv:2409.00603},
year = {2024}
}