論文の概要: DIG-FACE: De-biased Learning for Generalized Facial Expression Category Discovery
- arxiv url: http://arxiv.org/abs/2409.20098v2
- Date: Tue, 19 Nov 2024 16:45:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-20 13:33:42.439548
- Title: DIG-FACE: De-biased Learning for Generalized Facial Expression Category Discovery
- Title（参考訳）: DIG-FACE: 一般化表情カテゴリー発見のための非バイアス学習
- Authors: Tingzhang Luo, Yichao Liu, Yuanyuan Liu, Andi Zhang, Xin Wang, Yibing Zhan, Chang Tang, Leyuan Liu, Zhe Chen,
- Abstract要約: 我々は、G-FACE(Generalized Facial Expression Category Discovery)という新しいタスクを導入する。
G-FACEは、既知のカテゴリを効果的に認識しながら、新しい、目に見えない表情を発見する。
学習に影響を与える2つのバイアス、すなわち暗黙のバイアスと明示的なバイアスを特定します。
本稿では、暗黙バイアスと明示バイアスの両方のデバイアス化を容易にするデバイアスドG-FACE法、すなわちDIG-FACEを提案する。
- 参考スコア（独自算出の注目度）: 33.190030608505154
- License:
- Abstract: We introduce a novel task, Generalized Facial Expression Category Discovery (G-FACE), that discovers new, unseen facial expressions while recognizing known categories effectively. Even though there are generalized category discovery methods for natural images, they show compromised performance on G-FACE. We identified two biases that affect the learning: implicit bias, coming from an underlying distributional gap between new categories in unlabeled data and known categories in labeled data, and explicit bias, coming from shifted preference on explicit visual facial change characteristics from known expressions to unknown expressions. By addressing the challenges caused by both biases, we propose a Debiased G-FACE method, namely DIG-FACE, that facilitates the debiasing of both implicit and explicit biases. In the implicit debiasing process of DIG-FACE, we devise a novel learning strategy that aims at estimating and minimizing the upper bound of implicit bias. In the explicit debiasing process, we optimize the model's ability to handle nuanced visual facial expression data by introducing a hierarchical category-discrimination refinement strategy: sample-level, triplet-level, and distribution-level optimizations. Extensive experiments demonstrate that our DIG-FACE significantly enhances recognition accuracy for both known and new categories, setting a first-of-its-kind standard for the task.
- Abstract（参考訳）: 本稿では,新しい表情発見タスクである一般表情カテゴリー発見(G-FACE)を導入し,未知の表情を効果的に認識しながら,未知の表情を発見する。
自然画像のカテゴリ発見手法は一般化されているが、G-FACE上での妥協性能を示す。
ラベル付きデータにおける新しいカテゴリとラベル付きデータにおける既知のカテゴリ間の分布ギャップから生じる暗黙バイアスと、既知の表現から未知の表現への明示的な視覚的顔変化特性へのシフトバイアスの2つのバイアスを同定した。
偏見の両面から生じる課題に対処し、暗黙的偏見と明示的偏見の両方の偏見を緩和する脱バイアスG-FACE法(DIG-FACE)を提案する。
DIG-FACEの暗黙的偏見の過程において、暗黙的偏見の上限を推定し最小化する新しい学習戦略を考案する。
明示的なデバイアス処理では、階層的カテゴリー識別補正戦略(サンプルレベル、トリプルトレベル、分布レベル最適化)を導入して、ニュアンスのある表情データを扱うモデルの能力を最適化する。
我々のDIG-FACEは、既知のカテゴリと新しいカテゴリの両方の認識精度を大幅に向上させ、タスクの第一種標準を設定することを実証した。
関連論文リスト
- Exploring Facial Expression Recognition through Semi-Supervised Pretraining and Temporal Modeling [8.809586885539002]
本稿では,第6回ABAW(Affective Behavior Analysis in-the-Wild)コンペティションについて述べる。
第6回ABAWコンペティションでは,オフィシャル検証セットにおいて優れた結果を得た。
論文 参考訳（メタデータ） (2024-03-18T16:36:54Z) - Generalized Categories Discovery for Long-tailed Recognition [8.69033435074757]
一般化されたクラスディスカバリは、既知のカテゴリと未知のカテゴリの両方をラベルのないデータセットから識別する上で重要な役割を果たす。
我々の研究は、長い尾の一般カテゴリー発見(Long-tailed GCD)パラダイムに焦点をあてて、この断線を橋渡ししようと試みています。
長い尾を持つGCDがもたらす特異な課題に対応するため、2つの戦略正則化に固定された頑健な方法論を提案する。
論文 参考訳（メタデータ） (2023-12-04T09:21:30Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。
提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。
我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
論文 参考訳（メタデータ） (2023-10-14T13:56:24Z) - Toward Fair Facial Expression Recognition with Improved Distribution
Alignment [19.442685015494316]
本稿では,表情認識(FER)モデルにおけるバイアスを軽減する新しい手法を提案する。
本手法は、FERモデルによる埋め込みにおいて、性別、年齢、人種などの機密属性情報を低減することを目的としている。
ferモデルにおいて、魅力の概念を重要な感度属性として分析し、FERモデルがより魅力的な顔に対するバイアスを実際に示できることを実証する。
論文 参考訳（メタデータ） (2023-06-11T14:59:20Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - An Operational Perspective to Fairness Interventions: Where and How to
Intervene [9.833760837977222]
フェアネス介入の評価と文脈化のための包括的枠組みを提案する。
予測パリティに関するケーススタディで、我々のフレームワークを実証する。
グループデータを使わずに予測パリティを実現することは困難である。
論文 参考訳（メタデータ） (2023-02-03T07:04:33Z) - 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) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。
提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。
実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
論文 参考訳（メタデータ） (2020-02-06T10:56:00Z)
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。