論文の概要: Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning
- arxiv url: http://arxiv.org/abs/2008.00923v8
- Date: Tue, 30 Nov 2021 06:29:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 06:42:47.626034
- Title: Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning
- Title（参考訳）: クロスドメイン表情認識:統合評価ベンチマークと逆グラフ学習
- Authors: Tianshui Chen, Tao Pu, Hefeng Wu, Yuan Xie, Lingbo Liu, Liang Lin
- Abstract要約: 我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 85.6386289476598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To address the problem of data inconsistencies among different facial
expression recognition (FER) datasets, many cross-domain FER methods (CD-FERs)
have been extensively devised in recent years. Although each declares to
achieve superior performance, fair comparisons are lacking due to the
inconsistent choices of the source/target datasets and feature extractors. In
this work, we first analyze the performance effect caused by these inconsistent
choices, and then re-implement some well-performing CD-FER and recently
published domain adaptation algorithms. We ensure that all these algorithms
adopt the same source datasets and feature extractors for fair CD-FER
evaluations. We find that most of the current leading algorithms use
adversarial learning to learn holistic domain-invariant features to mitigate
domain shifts. However, these algorithms ignore local features, which are more
transferable across different datasets and carry more detailed content for
fine-grained adaptation. To address these issues, we integrate graph
representation propagation with adversarial learning for cross-domain
holistic-local feature co-adaptation by developing a novel adversarial graph
representation adaptation (AGRA) framework. Specifically, it first builds two
graphs to correlate holistic and local regions within each domain and across
different domains, respectively. Then, it extracts holistic-local features from
the input image and uses learnable per-class statistical distributions to
initialize the corresponding graph nodes. Finally, two stacked graph
convolution networks (GCNs) are adopted to propagate holistic-local features
within each domain to explore their interaction and across different domains
for holistic-local feature co-adaptation. We conduct extensive and fair
evaluations on several popular benchmarks and show that the proposed AGRA
framework outperforms previous state-of-the-art methods.
- Abstract（参考訳）: 近年,異なる表情認識(FER)データセット間のデータ不整合に対処するために,多くのクロスドメインFER法(CD-FER)が考案されている。
それぞれが優れたパフォーマンスを達成すると宣言するが、ソース/ターゲットデータセットと特徴抽出器の一貫性のない選択のため、公正な比較は不十分である。
そこで本研究では,これらの不整合選択による性能効果をまず分析し,その上で,CD-FERと最近発表された領域適応アルゴリズムを再実装する。
すべてのアルゴリズムが同じソースデータセットと特徴抽出器を採用して,CD-FERの評価を公平に行うことを保証する。
現在の主要なアルゴリズムのほとんどは、逆学習を使用して、ドメインシフトを緩和するために、包括的ドメイン不変機能を学ぶ。
しかし、これらのアルゴリズムは、異なるデータセット間でより転送可能で、細かな適応のためにより詳細なコンテンツを運ぶローカル機能を無視している。
これらの問題に対処するために、新しい逆グラフ表現適応(AGRA)フレームワークを開発することにより、グラフ表現伝搬と逆学習を統合する。
具体的には、まず2つのグラフを構築し、各ドメイン内の全体領域と局所領域をそれぞれ異なるドメインに関連付ける。
そして、入力画像から局所的な特徴を抽出し、学習可能なクラスごとの統計分布を用いて対応するグラフノードを初期化する。
最後に、2つの積み重ねグラフ畳み込みネットワーク(GCN)を用いて、各ドメイン内の全体局所的特徴を伝播させ、それらの相互作用を探索し、また、全体局所的特徴共適応のために異なるドメインにわたって探索する。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
関連論文リスト
- SA-GDA: Spectral Augmentation for Graph Domain Adaptation [38.71041292000361]
グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して印象的な成果を上げている。
本稿では、グラフノード分類のためのグラフドメイン適応のためのtextitSpectral Augmentation(method)を提案する。
特徴集約のための局所的および大域的一貫性を協調的に活用するデュアルグラフ畳み込みネットワークを開発した。
論文 参考訳（メタデータ） (2024-08-17T13:01:45Z) - Improving Domain Adaptation Through Class Aware Frequency Transformation [15.70058524548143]
Unsupervised Domain Adaptation (UDA)アルゴリズムのほとんどは、ラベル付きソースと非ラベル付きターゲットドメインの間のグローバルドメインシフトの削減に重点を置いている。
本稿では,従来の画像処理手法であるCAFT(Class Aware Frequency Transformation)に基づく新しい手法を提案する。
CAFTは、既存のUDAアルゴリズムの全体的な性能を改善するために、擬似ラベルに基づく一貫した低周波スワップを使用する。
論文 参考訳（メタデータ） (2024-07-28T18:16:41Z) - StableFDG: Style and Attention Based Learning for Federated Domain
Generalization [36.173582743028625]
本稿では,フェデレートされた領域の一般化を実現するためのスタイルと注意に基づく学習戦略を提案する。
スタイルベースの学習により、各クライアントは、ローカルデータセット内の元のソースドメインを越えて、新しいスタイルを探索できる。
2つ目のコントリビューションは注目に基づく機能ハイライトで、同じクラスのデータサンプルの特徴の類似性をキャプチャします。
論文 参考訳（メタデータ） (2023-11-01T02:17:01Z) - Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via
Graph Matching [14.876681993079062]
本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。
また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
論文 参考訳（メタデータ） (2022-08-09T02:30:15Z) - Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。
本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。
ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
論文 参考訳（メタデータ） (2021-04-01T23:41:41Z) - Discriminative Cross-Domain Feature Learning for Partial Domain
Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。
ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。
ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文 参考訳（メタデータ） (2020-08-26T03:18:53Z) - Adversarial Graph Representation Adaptation for Cross-Domain Facial
Expression Recognition [86.25926461936412]
本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。
提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2020-08-03T13:27:24Z) - Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。
近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。
本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-31T03:48:41Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-04T23:25:09Z)
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。