論文の概要: Fighting noise and imbalance in Action Unit detection problems

• arxiv url: http://arxiv.org/abs/2303.02994v1
• Date: Mon, 6 Mar 2023 09:41:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 16:32:47.922894
• Title: Fighting noise and imbalance in Action Unit detection problems
• Title（参考訳）: 行動単位検出問題における戦闘騒音と不均衡
• Authors: Gauthier Tallec, Arnaud Dapogny and Kevin Bailly
• Abstract要約: アクションユニット(AU)検出は、それらが関与する筋活動で表情を自動的に活性化することを目的としている。 利用可能なデータベースは、顔の変動が限られており、中立表現に対して不均衡である。 本稿では,Robin Hood Label Smoothing(RHLS)を提案する。
• 参考スコア（独自算出の注目度）: 7.971065005161565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Action Unit (AU) detection aims at automatically caracterizing facial expressions with the muscular activations they involve. Its main interest is to provide a low-level face representation that can be used to assist higher level affective computing tasks learning. Yet, it is a challenging task. Indeed, the available databases display limited face variability and are imbalanced toward neutral expressions. Furthermore, as AU involve subtle face movements they are difficult to annotate so that some of the few provided datapoints may be mislabeled. In this work, we aim at exploiting label smoothing ability to mitigate noisy examples impact by reducing confidence [1]. However, applying label smoothing as it is may aggravate imbalance-based pre-existing under-confidence issue and degrade performance. To circumvent this issue, we propose Robin Hood Label Smoothing (RHLS). RHLS principle is to restrain label smoothing confidence reduction to the majority class. In that extent, it alleviates both the imbalance-based over-confidence issue and the negative impact of noisy majority class examples. From an experimental standpoint, we show that RHLS provides a free performance improvement in AU detection. In particular, by applying it on top of a modern multi-task baseline we get promising results on BP4D and outperform state-of-the-art methods on DISFA.
• Abstract（参考訳）: action unit(au)検出は、表情を筋肉のアクティベーションで自動的にキャラクタリゼーションすることを目的としている。 その主な関心は、高いレベルの感情的コンピューティングタスク学習を支援するために使用できる低レベルの顔表現を提供することである。 しかし、これは難しい課題である。 実際、利用可能なデータベースは顔の変動が限られており、中立表現に対して不均衡である。 さらに、AUは微妙な顔の動きに悩まされるため、提供された数少ないデータポイントのいくつかを誤ってラベル付けするように注釈を付けるのが困難である。 本研究では,ラベル平滑化機能を活用し,信頼度を低下させることで,ノイズ事例の軽減を図る。 しかし、ラベルの平滑化は、既存のアンダー信頼問題と性能低下を増大させる可能性がある。 この問題を回避するため,Robin Hood Label Smoothing (RHLS)を提案する。 RHLSの原則は、ラベルのスムーズな信頼度低下を多数派に抑えることである。 その範囲では、不均衡に基づく過剰信頼問題と、騒がしい多数派例の否定的な影響の両方を緩和する。 実験的な観点から、RHLSはAU検出における自由な性能向上を提供することを示す。 特に、最新のマルチタスクベースラインにそれを適用することで、BP4DやdisFAの最先端メソッドよりも有望な結果が得られる。

関連論文リスト

• Extreme Miscalibration and the Illusion of Adversarial Robustness [66.29268991629085]
  敵の訓練は、しばしばモデルの堅牢性を高めるために使用される。 我々は、この観測されたロバストネスの利得はロバストネスの錯覚(IOR)であることを示した。 我々は,NLPコミュニティに対して,試験時間温度のスケーリングを堅牢性評価に組み込むよう促す。
  論文  参考訳（メタデータ） (2024-02-27T13:49:12Z)
• Learning Contrastive Feature Representations for Facial Action Unit Detection [13.834540490373818]
  顔アクションユニット(AU)検出は、AUが活性化する際の微妙な特徴差を検出するという課題に長年遭遇してきた。 本稿では、自己教師付き信号と教師付き信号の両方を組み込んだAU検出を目的とした、新しいコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-09T03:48:20Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• Combating Uncertainty and Class Imbalance in Facial Expression Recognition [4.306007841758853]
  本稿では,Resnet と Attention に基づくフレームワークを提案する。 本手法は,表情データセットの精度において,最も基本的な手法を超越している。
  論文  参考訳（メタデータ） (2022-12-15T12:09:02Z)
• Low-Mid Adversarial Perturbation against Unauthorized Face Recognition System [20.979192130022334]
  エンブロー周波数対向摂動(LFAP)と呼ばれる新しい解法を提案する。 この手法は、逆トレーニングにより低周波特性を利用するようにソースモデルに条件付けする。 また,中周波成分を付加的利益のために組み込んだ改良型エンフェロー中周波対向摂動(LMFAP)も導入した。
  論文  参考訳（メタデータ） (2022-06-19T14:15:49Z)
• 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)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Meta Auxiliary Learning for Facial Action Unit Detection [84.22521265124806]
  マルチタスク方式でAU検出と表情認識を学習することを検討する。 マルチタスクシナリオにおける負の転送のため、AU検出タスクの性能を常に向上することはできない。 トレーニングFEサンプルの適応重みをメタラーニング方式で学習し,高相関なFEサンプルを自動的に選択するメタラーニング法(MAL)を提案する。
  論文  参考訳（メタデータ） (2021-05-14T02:28:40Z)
• Semantic Neighborhood-Aware Deep Facial Expression Recognition [14.219890078312536]
  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。
  論文  参考訳（メタデータ） (2020-04-27T11:48:17Z)
• 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。