論文の概要: Semantic Neighborhood-Aware Deep Facial Expression Recognition
- arxiv url: http://arxiv.org/abs/2004.12725v1
- Date: Mon, 27 Apr 2020 11:48:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 05:28:51.664737
- Title: Semantic Neighborhood-Aware Deep Facial Expression Recognition
- Title（参考訳）: セマンティックな隣り合わせの深い顔の表情認識
- Authors: Yongjian Fu, Xintian Wu, Xi Li, Zhijie Pan, Daxin Luo
- Abstract要約: 意味的摂動を定式化し,訓練中に信頼できないサンプルを選択する新しい手法を提案する。
実験の結果,提案手法の有効性が示され,その結果が得られた。
- 参考スコア（独自算出の注目度）: 14.219890078312536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Different from many other attributes, facial expression can change in a
continuous way, and therefore, a slight semantic change of input should also
lead to the output fluctuation limited in a small scale. This consistency is
important. However, current Facial Expression Recognition (FER) datasets may
have the extreme imbalance problem, as well as the lack of data and the
excessive amounts of noise, hindering this consistency and leading to a
performance decreasing when testing. In this paper, we not only consider the
prediction accuracy on sample points, but also take the neighborhood smoothness
of them into consideration, focusing on the stability of the output with
respect to slight semantic perturbations of the input. A novel method is
proposed to formulate semantic perturbation and select unreliable samples
during training, reducing the bad effect of them. Experiments show the
effectiveness of the proposed method and state-of-the-art results are reported,
getting closer to an upper limit than the state-of-the-art methods by a factor
of 30\% in AffectNet, the largest in-the-wild FER database by now.
- Abstract（参考訳）: 他の多くの属性とは異なり、顔の表情は連続的に変化しうるため、入力のわずかな意味的変化は、小さなスケールで制限された出力変動につながる。
この一貫性は重要です。
しかし、現在の Facial Expression Recognition (FER) データセットは、データの欠如と過剰なノイズに加えて、極端な不均衡の問題があり、この一貫性を妨げ、テスト時にパフォーマンスが低下する可能性がある。
本稿では,標本点の予測精度を考察するだけでなく,入力のわずかな意味的摂動に対する出力の安定性に着目し,近傍の滑らかさを考察する。
学習中に意味摂動を定式化し,信頼できないサンプルを選択する新しい手法を提案し,その悪影響を低減した。
実験では,提案手法の有効性と最先端結果が報告され,現在までに最大規模のferデータベースであるimpactnetにおいて,最先端手法よりも上限値に近い値が得られた。
関連論文リスト
- Investigating the Impact of Model Instability on Explanations and Uncertainty [43.254616360807496]
テキスト入力における不確かさを推測時に雑音を導入することでシミュレートする。
高い不確実性は必ずしも説明可能性の低さを暗示しない。
このことは、ノイズ増強モデルが不確実性のあるトークンを特定するのに優れていることを示唆している。
論文 参考訳（メタデータ） (2024-02-20T13:41:21Z) - dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。
提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
論文 参考訳（メタデータ） (2023-06-02T11:19:50Z) - Monotonicity and Double Descent in Uncertainty Estimation with Gaussian
Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。
我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。
また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文 参考訳（メタデータ） (2022-10-14T08:09:33Z) - Calibrating Segmentation Networks with Margin-based Label Smoothing [19.669173092632]
現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。
これらの損失は、ロジット距離に等しい制約を課す線形ペナルティの近似と見なすことができる。
我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
論文 参考訳（メタデータ） (2022-09-09T20:21:03Z) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳（メタデータ） (2022-03-23T07:33:37Z) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳（メタデータ） (2022-02-22T04:24:26Z) - The Devil is in the Margin: Margin-based Label Smoothing for Network
Calibration [21.63888208442176]
ディープニューラルネットワークの優位な性能にもかかわらず、最近の研究では、それらが十分に校正されていないことが示されている。
現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。
我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
論文 参考訳（メタデータ） (2021-11-30T14:21:47Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z) - Suppressing Uncertainties for Large-Scale Facial Expression Recognition [81.51495681011404]
本稿では,不確実性を効果的に抑制し,深層ネットワークが不確実な顔画像に過度に収まらないような,シンプルで効率的なセルフキュアネットワーク(SCN)を提案する。
公開ベンチマークの結果、我々のSCNは現在の最先端メソッドよりも、RAF-DBで textbf88.14%、AffectNetで textbf60.23%、FERPlusで textbf89.35% を上回りました。
論文 参考訳（メタデータ） (2020-02-24T17:24:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。