Abstract
由于面部表情的模糊性、面部图像的低质量以及注释者的主观性,对相当大规模面部表情数据集进行标注是非常困难的事情。这些不确定性成为了深度学习时代大规模面部表情识别的关键挑战。为了解决这一问题,本文提出了一种简单而有效的Self Cure Network(SCN),它能有效地抑制不确定性,防止深度网络对某些面部图像的过度拟合。具体来说,SCN从两个不同的方面抑制了不确定性:
1)小批量上的self-attention machanism,通过rangking regularization对每个训练单元进行加权;
2)careful relabeling machanism,在排名最低的组中修改这些样本的标签。
通过在综合的FER数据集和我们收集的WebEmotion数据集上的实验,验证了该方法的有效性。在公共基准上的结果表明,我们的SCN在RAF-DB(88.14%),Affect-Net(60.23%),FERPlus(89.35%)上的性能优于当前最先进的方法。代码将在Self-Cure-Network提供。
1 Intruduction
以往人们对表情识别的研究往往是基于一些在实验室条件下拍摄的表情数据集,然而在互联网中,或者说在更真实的条件下,人脸的表情并不如实验室条件下的表情那样那么容易判别出其的真实类别,如图1示。为了解决这一问题,我们提出了SCN。
SCN主要由三个关键模块组成:self-attention importance weight