Основные понятия
LEAF는 표정 관련 표현과 가짜 레이블을 동시에 향상시키는 통합 프레임워크를 제안하여, 레이블이 부족한 상황에서 얼굴 표정 인식 성능을 향상시킨다.
Аннотация
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.
Статистика
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.
Цитаты
"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."