Island Loss for Learning Discriminative Features in Facial Expression Recognition
作者在CenterLoss的基础上,提出了一个新的Loss,在关注类别的类内距离的同时,优化类间距离,使得每个类别拥有更大的margin,从而迫使网络能够学习到更具判别性的特征。
在过去几年中,卷积神经网络(CNNs)已经在面部表情识别方面显示出前景。 然而,由于细微的面部外观变化,头部姿势变化,光照变化和遮挡引起的变化,在真实世界设置下性能会急剧下降。 本文提出了一种新的Island损失,以增强深度学习特征的判别力。 具体而言,岛屿损失旨在减少类内变化,同时扩大类间差异。 四个基准表达数据库的实验结果表明,与传统的softmax损失或中心损失相比,具有所提出的岛损失的CNN(IL-CNN)优于基线CNN模型,并且与现有技术方法相比实现了相当或更好的性能 用于面部表情识别。
传统的CNN使用softmax损失进行优化,这会损坏错误分类的样本,从而迫使不同类别的特征分开。 如图1(a)所示,学习特征形成与特征空间中的不同表达相对应的聚类。 然而,由于高的类内变异,每个群集中的特征往往是分散的。此外,群集重叠是因为高级的相似性。 最近,CNN中引入了中心损失[48],以减少用于人脸识别的学习特征的类内变化与仅使用softmax损失学习的样本相比,样本被拉向其相应的中心,具有较小的类内变化。 然而ÿ