論文の概要: Open-Set Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2401.12507v1
• Date: Tue, 23 Jan 2024 05:57:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 16:43:24.726185
• Title: Open-Set Facial Expression Recognition
• Title（参考訳）: オープンセット表情認識
• Authors: Yuhang Zhang, Yue Yao, Xuannan Liu, Lixiong Qin, Wenjing Wang, Weihong Deng
• Abstract要約: 顔表情認識(FER)モデルは一般的に、7つの基本クラスを固定したデータセットで訓練される。 最近の研究では、基本的なものよりもはるかに多くの表現が存在することが指摘されている。 オープンセットFERタスクを初めて提案する。
• 参考スコア（独自算出の注目度）: 42.62439125553367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial expression recognition (FER) models are typically trained on datasets with a fixed number of seven basic classes. However, recent research works point out that there are far more expressions than the basic ones. Thus, when these models are deployed in the real world, they may encounter unknown classes, such as compound expressions that cannot be classified into existing basic classes. To address this issue, we propose the open-set FER task for the first time. Though there are many existing open-set recognition methods, we argue that they do not work well for open-set FER because FER data are all human faces with very small inter-class distances, which makes the open-set samples very similar to close-set samples. In this paper, we are the first to transform the disadvantage of small inter-class distance into an advantage by proposing a new way for open-set FER. Specifically, we find that small inter-class distance allows for sparsely distributed pseudo labels of open-set samples, which can be viewed as symmetric noisy labels. Based on this novel observation, we convert the open-set FER to a noisy label detection problem. We further propose a novel method that incorporates attention map consistency and cycle training to detect the open-set samples. Extensive experiments on various FER datasets demonstrate that our method clearly outperforms state-of-the-art open-set recognition methods by large margins. Code is available at https://github.com/zyh-uaiaaaa.
• Abstract（参考訳）: 顔表情認識(FER)モデルは一般的に、7つの基本クラスの固定数のデータセットで訓練される。 しかし、最近の研究では、基本的なものよりも表現がはるかに多いことが指摘されている。 したがって、これらのモデルが現実世界にデプロイされると、既存の基本クラスに分類できない複合表現のような未知のクラスに遭遇する可能性がある。 この問題に対処するため,オープンセットFERタスクを初めて提案する。 既に多くのオープンセット認識手法が存在しているが、FERデータはクラス間距離が非常に小さい人間の顔であり、クローズセットサンプルと非常によく似ているため、オープンセットFERではうまく機能しない。 本稿では,小クラス間距離のデメリットを,オープンセットferの新たな方法を提案することにより,その利点に初めて変換する。 特に,クラス間距離が小さいことで,非対称なノイズラベルと見なすことが可能なオープンセットサンプルの分散擬似ラベルが可能となることがわかった。 この新たな観測に基づいて,オープンセットferを雑音ラベル検出問題に変換する。 さらに,アテンションマップの一貫性とサイクルトレーニングを取り入れたオープンセットサンプルの検出手法を提案する。 さまざまなFERデータセットに対する大規模な実験により、我々の手法は、最先端のオープンセット認識手法を大きなマージンで明らかに上回ることを示した。 コードはhttps://github.com/zyh-uaiaaaaで入手できる。

関連論文リスト

• Large-Scale Evaluation of Open-Set Image Classification Techniques [1.1249583407496218]
  Open-Set Classification (OSC)アルゴリズムは、クローズドとオープンセットの両方の認識能力を最大化することを目的としている。 近年の研究では、このようなアルゴリズムが小規模なデータセット上で有効であることが示されているが、実験が限定されているため、実世界の問題における性能評価は困難である。
  論文  参考訳（メタデータ） (2024-06-13T13:43:01Z)
• Exploring Diverse Representations for Open Set Recognition [51.39557024591446]
  オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。 現在、生成モデルはOSRの差別モデルよりもよく機能している。 本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T11:40:22Z)
• Unlocking the Power of Open Set : A New Perspective for Open-Set Noisy Label Learning [58.4201336276109]
  両タイプのラベルノイズに対処する2段階のコントラスト学習手法を提案する。 具体的には、性能を高めるために、いくつかのオープンセットの例をクローズドセットのクラスに組み込む。
  論文  参考訳（メタデータ） (2023-05-07T06:55:28Z)
• OpenAUC: Towards AUC-Oriented Open-Set Recognition [151.5072746015253]
  従来の機械学習は、トレーニングとテストセットが同じラベル空間を共有するという密接な前提に従っている。 Open-Set Recognition (OSR) は、クローズセットサンプルとオープンセットサンプルの両方で正確な予測を行うことを目的としている。 これらの問題を解決するために,OpenAUCという新しいメトリクスを提案する。
  論文  参考訳（メタデータ） (2022-10-22T08:54:15Z)
• Reconstruction guided Meta-learning for Few Shot Open Set Recognition [31.49168444631114]
  ReFOCS (Reconstructing Exemplar-based Few-shot Open-set Classifier) を提案する。 新規な再構築型メタラーニング戦略であるReFOCSを用いてFSOSRを効率化する。 ReFOCSは複数の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T23:23:35Z)
• OpenGAN: Open-Set Recognition via Open Data Generation [76.00714592984552]
  実世界の機械学習システムは、トレーニングデータとは異なる新しいテストデータを分析する必要がある。 オープンセット識別のための概念的にエレガントな2つのアイデアは、1) オープンvs閉鎖二元判別器を識別的に学習し、2) GAN を用いてクローズドセットデータ分布を教師なし学習する。 OpenGANは、それぞれのアプローチの限界をいくつかの技術的な洞察と組み合わせて解決します。
  論文  参考訳（メタデータ） (2021-04-07T06:19:24Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

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。