論文の概要: Adaptive Graph-Based Feature Normalization for Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2207.11123v1
• Date: Fri, 22 Jul 2022 14:57:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:13:16.607364
• Title: Adaptive Graph-Based Feature Normalization for Facial Expression Recognition
• Title（参考訳）: 表情認識のための適応的グラフベース特徴正規化
• Authors: Yangtao Du and Qingqing Wang and Yujie Xiong
• Abstract要約: データ不確実性から表情認識モデルを保護するために,適応グラフに基づく特徴正規化(AGFN)手法を提案する。 我々の手法は、ベンチマークデータセットで91.84%、91.11%の精度で最先端の作業より優れています。
• 参考スコア（独自算出の注目度）: 1.2246649738388389
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Facial Expression Recognition (FER) suffers from data uncertainties caused by ambiguous facial images and annotators' subjectiveness, resulting in excursive semantic and feature covariate shifting problem. Existing works usually correct mislabeled data by estimating noise distribution, or guide network training with knowledge learned from clean data, neglecting the associative relations of expressions. In this work, we propose an Adaptive Graph-based Feature Normalization (AGFN) method to protect FER models from data uncertainties by normalizing feature distributions with the association of expressions. Specifically, we propose a Poisson graph generator to adaptively construct topological graphs for samples in each mini-batches via a sampling process, and correspondingly design a coordinate descent strategy to optimize proposed network. Our method outperforms state-of-the-art works with accuracies of 91.84% and 91.11% on the benchmark datasets FERPlus and RAF-DB, respectively, and when the percentage of mislabeled data increases (e.g., to 20%), our network surpasses existing works significantly by 3.38% and 4.52%.
• Abstract（参考訳）: 表情認識(FER)は、曖昧な顔画像と注釈者の主観性に起因する不確実性に悩まされ、抽出的意味論と特徴的共変量シフト問題を引き起こす。 既存の作業は通常、ノイズ分布を推定したり、クリーンなデータから学んだ知識でネットワークトレーニングを指導することで、誤ったラベル付きデータを補正する。 本研究では,表現の関連付けによる特徴分布の正規化により,データ不確実性からferモデルを保護するための適応グラフ型特徴正規化(agfn)手法を提案する。 具体的には,各ミニバッチにおけるサンプルのトポロジカルグラフをサンプリングプロセスを通じて適応的に構築し,提案ネットワークを最適化するための座標降下戦略を設計するポアソングラフ生成器を提案する。 ベンチマークデータセット ferplus と raf-db はそれぞれ 91.84% と 91.11% の精度で動作し、誤ったラベル付きデータの割合が増加 (20% まで) すると、ネットワークは既存の作品を大幅に上回る3.38% と 4.52% となる。

関連論文リスト

• Endowing Pre-trained Graph Models with Provable Fairness [49.8431177748876]
  証明可能な公正性を持つ事前学習グラフモデル(GraphPAR)を実現する新しいアダプタチューニングフレームワークを提案する。 具体的には、各ノードに対して異なる属性意味を持つノード表現を拡張するために、ノード表現に対するセンシティブなセマンティックオーグメンタを設計する。 GraphPARでは、各ノードの公平性が証明可能であるかどうか、すなわち、予測が特定の機密属性セマンティクスの範囲内で常に公平であるかどうかを定量化する。
  論文  参考訳（メタデータ） (2024-02-19T14:16:08Z)
• Unifying Invariance and Spuriousity for Graph Out-of-Distribution via Probability of Necessity and Sufficiency [19.49531172542614]
  Invariant Substructure (PNSIS) の抽出に必要かつ十分である確率を利用する統一的な枠組みを提案する。 いくつかのベンチマークでグラフOODの最先端技術よりも優れています。
  論文  参考訳（メタデータ） (2024-02-14T13:31:53Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Features Based Adaptive Augmentation for Graph Contrastive Learning [0.0]
  自己監督学習は、グラフ表現学習における高価なアノテーションの必要性を排除することを目的としている。 機能に基づく適応拡張(FebAA)アプローチを導入し、潜在的に影響力のある機能を特定し保存する。 8つのグラフ表現学習のベンチマークデータセットにおいて,GRACEとBGRLの精度を向上させることに成功した。
  論文  参考訳（メタデータ） (2022-07-05T03:41:20Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Uncertain Label Correction via Auxiliary Action Unit Graphs for Facial Expression Recognition [46.99756911719854]
  ULC-AGと呼ばれる補助行動単位(AU)グラフを用いて,表情の不確実なラベル補正を実現する。 ULC-AGはRAF-DBとAffectNetのデータセットでそれぞれ89.31%と61.57%の精度を達成した。
  論文  参考訳（メタデータ） (2022-04-23T11:09:43Z)
• Effective Eigendecomposition based Graph Adaptation for Heterophilic Networks [0.5309004257911242]
  本稿では、固有分解に基づくアプローチを提案し、異種グラフ上でのGNNの性能を改善するための固有ネットモデルを提案する。 提案手法は異種グラフの最先端手法よりも最大11%の性能向上を実現している。
  論文  参考訳（メタデータ） (2021-07-28T12:14:07Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。