論文の概要: FER-C: Benchmarking Out-of-Distribution Soft Calibration for Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2312.11542v1
• Date: Sat, 16 Dec 2023 03:17:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 18:47:44.674119
• Title: FER-C: Benchmarking Out-of-Distribution Soft Calibration for Facial Expression Recognition
• Title（参考訳）: FER-C: 表情認識のための分布外ソフトキャリブレーションのベンチマーク
• Authors: Dexter Neo, Tsuhan Chen
• Abstract要約: 顔行動のあいまいさをよりよく反映するために、ferモデルを評価するための基礎的真実ラベルは柔らかであるべきだと論じる。 本フレームワークは,OODシフトの異なるタイプに基づいて,平均情報損失を近似したソフトラベルを提案する。 ベンチマークでテストした5つの最先端FERアルゴリズムに対してキャリブレーションの利点を示す。
• 参考スコア（独自算出の注目度）: 0.24475591916185496
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a soft benchmark for calibrating facial expression recognition (FER). While prior works have focused on identifying affective states, we find that FER models are uncalibrated. This is particularly true when out-of-distribution (OOD) shifts further exacerbate the ambiguity of facial expressions. While most OOD benchmarks provide hard labels, we argue that the ground-truth labels for evaluating FER models should be soft in order to better reflect the ambiguity behind facial behaviours. Our framework proposes soft labels that closely approximates the average information loss based on different types of OOD shifts. Finally, we show the benefits of calibration on five state-of-the-art FER algorithms tested on our benchmark.
• Abstract（参考訳）: 顔表情認識(FER)の校正のためのソフトベンチマークを提案する。 以前の研究では感情状態の同定に焦点が当てられていたが、FERモデルは校正されていない。 これは、out-of-distribution(ood)が顔のあいまいさをさらに悪化させる場合に特に当てはまる。 ほとんどのOODベンチマークはハードラベルを提供するが、顔の振る舞いのあいまいさをよりよく反映するために、FERモデルを評価するための基礎的真実ラベルはソフトであるべきだと我々は主張する。 本フレームワークは,OODシフトの異なるタイプに基づいて,平均情報損失を近似したソフトラベルを提案する。 最後に、ベンチマークでテストした5つの最先端FERアルゴリズムのキャリブレーションの利点を示す。

関連論文リスト

• Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
  既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。 いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。 この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-14T09:27:56Z)
• Data-Driven Estimation of the False Positive Rate of the Bayes Binary Classifier via Soft Labels [25.40796153743837]
  本稿では,与えられたデータセットからベイズ分類器の誤り陽性率(FPR)を推定する。 我々は,デノナイジング手法とNadaraya-Watson推定器を利用した効果的なFPR推定器を開発した。
  論文  参考訳（メタデータ） (2024-01-27T20:41:55Z)
• AUPIMO: Redefining Visual Anomaly Detection Benchmarks with High Speed and Low Tolerance [0.562479170374811]
  Per-IMage Overlap(PIMO)は、AUROCとAUPROの欠点に対処する新しいメトリクスである。 画像ごとのリコールの測定は、計算を単純化し、ノイズの多いアノテーションに対してより堅牢である。 実験の結果,PIMOは実用的優位性があり,性能の見識に乏しいことがわかった。
  論文  参考訳（メタデータ） (2024-01-03T21:24:44Z)
• Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
  我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。 Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。 複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-28T02:00:47Z)
• SELFOOD: Self-Supervised Out-Of-Distribution Detection via Learning to Rank [25.250541856300067]
  SELFOOD は自己監督型 OOD 検出法であり, 自己管理型 OOD 検出法である。 本手法は粗い設定ときめ細かい設定の両方に有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-24T04:01:27Z)
• Set-Based Face Recognition Beyond Disentanglement: Burstiness Suppression With Variance Vocabulary [78.203301910422]
  SFRにおける2つの重要な問題は、顔の品質とバーストネスであり、アイデンティティ非関連と分散関連の両方である、と我々は主張する。 分散特徴と同一性の特徴を分離する軽量な集合ベース・アンタングルメント・フレームワークを提案する。 集合における顔のバースト性を抑制するために,語彙ベースバースト抑制法(VBS)を提案する。
  論文  参考訳（メタデータ） (2023-04-13T04:02:58Z)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)
• 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)
• Robustness of Accuracy Metric and its Inspirations in Learning with Noisy Labels [51.66448070984615]
  十分な数の雑音サンプルに対してトレーニング精度を最大化すると,ほぼ最適な分類器が得られることを示す。 検証のために、ノイズの多い検証セットが信頼できることを証明し、モデル選択のクリティカルな要求に対処する。 理論結果に動機づけられて,ノイズラベルをトレーニングしたモデルの特徴付けを行い,ノイズ検証セットの有用性を検証する。
  論文  参考訳（メタデータ） (2020-12-08T03:37:47Z)
• Soft Labeling Affects Out-of-Distribution Detection of Deep Neural Networks [4.56877715768796]
  ソフトラベリングによりOOD検出性能が決定可能であることを示す。 ソフトラベリングによって不正なクラスの出力を正規化する方法は、OOD検出を劣化または改善することができる。
  論文  参考訳（メタデータ） (2020-07-07T05:50:52Z)
• 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。