表情识别论文阅读——Island Loss for Learning Discriminative Features in Facial Expression Recognition

最新推荐文章于 2021-05-20 11:46:56 发布

丽宝儿

最新推荐文章于 2021-05-20 11:46:56 发布

阅读量2.9k

点赞数 1

分类专栏：表情识别

本文链接：https://blog.csdn.net/heruili/article/details/88912074

版权

本文提出了一种名为Island Loss的新损失函数，用于优化面部表情识别任务中的深度学习特征。Island Loss旨在减少类内变化，扩大类间差异，提高CNN模型的判别能力。实验结果显示，使用Island Loss的CNN（IL-CNN）在四个基准表情数据库上表现优于传统softmax loss和center loss。

摘要由CSDN通过智能技术生成

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