面向面部情感行为分析的弱监督学习:综述
计算机视觉与模式识别
2026-03-30 v7
摘要
深度学习(DL)和计算能力的最新进展使面部情感行为分析(FABA)能够从受控环境下捕获的静态图像进展到对真实世界视频数据中面部表情的细粒度分析。然而,为FABA训练准确的DL模型通常需要大规模、专家标注的数据集,这些数据集获取成本高昂,并且由于标注细微面部表情和动作单元(AUs)的模糊性而固有地含有噪声。为缓解这些挑战,弱监督学习(WSL)已成为利用弱标注训练模型的一种有前景的范式。在本文中,我们提出了针对FABA的WSL场景的结构化分类法,根据弱标注类型和特定情感任务进行组织。基于该分类法,我们对分类(表情与AU识别)和回归(表情与AU强度估计)任务的代表性WSL方法进行了批判性综合,重点关注其核心方法思想、优势与局限。此外,我们系统总结了WSL方法的对比性能以及广泛采用的实验设置与评估协议。我们的批判性评估指出了关键挑战与未来研究方向,包括需要对基础模型进行高效适配,以及开发适用于真实世界应用的鲁棒、可扩展FABA系统。
引用
@article{arxiv.2101.09858,
title = {Weakly Supervised Learning for Facial Affective Behavior Analysis : A Review},
author = {R. Gnana Praveen and Patrick Cardinal and Eric Granger},
journal= {arXiv preprint arXiv:2101.09858},
year = {2026}
}
备注
Provided a link of constantly updated papers \url{https://github.com/praveena2j/ awesome-Weakly-Supervised-Facial-Behavior-Analysis}