Core Concepts
LEAF는 표정 관련 표현과 가짜 레이블을 동시에 향상시키는 통합 프레임워크를 제안하여, 레이블이 부족한 상황에서 얼굴 표정 인식 성능을 향상시킨다.
Abstract
이 논문은 레이블이 부족한 상황에서 얼굴 표정 인식(FER) 문제를 다룹니다. 기존 반감독 FER 방법은 가짜 레이블의 품질 또는 양을 향상시키는 데 초점을 맞추었지만, 표정 관련 표현의 향상을 간과했습니다.
LEAF는 이 문제를 해결하기 위해 표정 관련 표현과 가짜 레이블을 동시에 향상시키는 통합 프레임워크를 제안합니다. 구체적으로:
의미 수준과 인스턴스 수준에서 표현을 표정 관련 및 표정 무관 부분으로 분리하고 적응적으로 융합하는 계층적 표현 인식 전략을 도입합니다.
범주 수준에서 모호한 가짜 레이블을 생성하고 일관성 손실을 통해 강화합니다.
이를 통해 LEAF는 레이블이 부족한 상황에서도 표정 관련 표현을 효과적으로 학습하고 정확한 가짜 레이블을 생성할 수 있습니다. 실험 결과, LEAF는 다양한 벤치마크 데이터셋에서 최신 방법들을 일관되게 능가하는 성능을 보였습니다.
Stats
레이블이 100개인 경우 RAFDB 데이터셋에서 LEAF의 균형 정확도는 56.83%입니다.
레이블이 500개인 경우 AffectNet7 데이터셋에서 LEAF의 균형 정확도는 50.21%입니다.
레이블이 1000개인 경우 AffectNet8 데이터셋에서 LEAF의 균형 정확도는 49.53%입니다.
Quotes
"LEAF는 표정 관련 표현과 가짜 레이블을 동시에 향상시키는 통합 프레임워크를 제안한다."
"LEAF는 의미 수준과 인스턴스 수준에서 표현을 표정 관련 및 표정 무관 부분으로 분리하고 적응적으로 융합하는 계층적 표현 인식 전략을 도입한다."
"LEAF는 범주 수준에서 모호한 가짜 레이블을 생성하고 일관성 손실을 통해 강화한다."