当面部表情识别遇上少样本学习:一种联合与交替学习框架
计算机视觉与模式识别
2022-01-19 v1
摘要
人类情感包含基本与复合面部表情。然而,当前面部表情识别(FER)研究主要关注基本表情,因而无法应对实际场景中人类情感的多样性。同时,现有复合 FER 工作严重依赖大量标注的复合表情训练数据,这些数据往往在心理学专业指导下费力收集。本文研究跨域少样本学习设定下的复合 FER,其中仅需目标域中少数新颖类别的图像作为参考。具体而言,我们旨在利用基于易获取的基本表情数据集训练的模型来识别未见过的复合表情。为缓解 FER 任务中基类别有限的问题,我们提出了一种新颖的情感引导相似度网络(EGS-Net),由情感分支与相似度分支组成,基于两阶段学习框架。具体地,在第一阶段,相似度分支以多任务方式与情感分支联合训练。借助情感分支的正则化,我们防止相似度分支对高度重叠于不同 episode 的采样基类别过拟合。在第二阶段,情感分支与相似度分支进行“双学生博弈”相互交替学习,从而进一步提升相似度分支对未见复合表情的推断能力。在实验室与真实场景复合表情数据集上的实验结果证明了我们所提方法相对于若干最先进方法的优越性。
引用
@article{arxiv.2201.06781,
title = {When Facial Expression Recognition Meets Few-Shot Learning: A Joint and Alternate Learning Framework},
author = {Xinyi Zou and Yan Yan and Jing-Hao Xue and Si Chen and Hanzi Wang},
journal= {arXiv preprint arXiv:2201.06781},
year = {2022}
}
备注
9 pages, 2 figures