处理表情识别中的坏数据：一篇CVPR 2020及两篇TIP的解读

本篇提前看重点关注 CVPR 2020 中的这篇「Suppressing Uncertainties for Large-Scale Facial Expression Recognition」, 但在解读它之前，我们先有步骤的解读两篇 TIP 作为它的基础，最后详细介绍它的算法和思想。对比性的解读这三篇论文，也许能对研究者们自己的工作有所启发。

作者：周宇
来自：机器之心

真实场景下的表情识别一直是令众多研究者十分头疼的课题。这个任务中，尤为令人抓狂的是表情数据集中普遍存在着许多坏的数据（例如被遮挡的人脸，错误的标签或者是模糊不清的图像）。这些数据不仅使得模型难以拟合，还严重拉低了最后的精度。在今年的 CVPR 中，我们惊喜的发现了一篇专门解决这个问题的论文，这篇论文有效的抑制了那些不确定性的数据，并且防止了深度模型对这些坏数据的过拟合。顺藤摸瓜，我们也找到了在 2019 年的 IEEE transactions on image processing 上两篇能有效处理遮挡表情和姿势变化的论文。本篇提前看重点关注 CVPR 2020 中的这篇「Suppressing Uncertainties for Large-Scale Facial Expression Recognition」, 但在解读它之前，我们先有步骤的解读两篇 TIP 作为它的基础，最后详细介绍它的算法和思想。对比性的解读这三篇论文，也许能对研究者们自己的工作有所启发。

具体的，我们解读的三篇文章如下：

1. Li, Yong, et al.「Occlusion Aware Facial Expression Recognition Using CNN With Attention Mechanism.」IEEE Transactions on Image Processing, vol. 28, no. 5, 2019, pp. 2439–2450.
2. Wang, Kai, et al.「Region Attention Networks for Pose and Occlusion Robust Facial Expression Recognition.」IEEE Transactions on Image Processing, vol. 29, 2020, pp. 4057–4069.
3. Wang, Kai , et al. “Suppressing Uncertainties for Large-Scale Facial Expression Recognition.” (CVPR 2020).