Core Concepts
본 연구는 표정 인식 과제에 레이블 분포 학습 패러다임을 적용하고, 적응형 분포 융합 프레임워크인 Ada-DF를 개발했다. 보조 브랜치를 통해 샘플의 레이블 분포를 얻고, 이를 바탕으로 감정의 클래스 분포를 계산한다. 마지막으로 이 두 분포를 주의 가중치에 따라 적응적으로 융합하여 대상 브랜치를 학습한다.
Abstract
본 연구는 표정 인식 과제에 레이블 분포 학습 패러다임을 적용하고, 적응형 분포 융합 프레임워크인 Ada-DF를 제안했다.
보조 브랜치를 통해 샘플의 레이블 분포를 추출한다. 이 분포는 샘플의 실제 분포를 정확하게 반영하지 못할 수 있다.
클래스 분포 마이닝 모듈을 통해 각 감정 클래스의 분포를 계산한다. 이를 통해 레이블 분포의 편향을 제거하고 각 감정의 내재적 정보를 추출할 수 있다.
적응형 분포 융합 모듈에서는 샘플의 주의 가중치에 따라 레이블 분포와 클래스 분포를 융합한다. 이를 통해 더 정확하고 풍부한 감정 정보를 얻을 수 있다.
최종적으로 융합된 분포를 사용하여 대상 브랜치를 학습한다.
실험 결과, Ada-DF는 RAF-DB, AffectNet, SFEW 데이터셋에서 최신 기술 대비 우수한 성능을 보였다. 또한 합성 노이즈 실험에서도 강건성을 입증했다.
Stats
표정 인식 데이터셋에는 다양한 조명, 자세, 정체성 변화로 인한 데이터 모호성이 존재한다.
대부분의 데이터셋은 다수결 투표 방식으로 단일 레이블을 할당하지만, 이는 실제 요구사항을 충족하지 못한다.
서로 다른 문화적 배경의 사람들은 동일한 얼굴 이미지를 다른 감정으로 분류하는 경향이 있다.
Quotes
"표정 인식 데이터셋에는 다양한 조명, 자세, 정체성 변화로 인한 데이터 모호성이 존재한다."
"대부분의 데이터셋은 다수결 투표 방식으로 단일 레이블을 할당하지만, 이는 실제 요구사항을 충족하지 못한다."
"서로 다른 문화적 배경의 사람들은 동일한 얼굴 이미지를 다른 감정으로 분류하는 경향이 있다."