論文の概要: SRE-FER: Regional residual evidence learning for mitigating local evidence dilution in fine-grained facial expression recognition

• arxiv url: http://arxiv.org/abs/2608.08702v1
• Date: Sun, 09 Aug 2026 13:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.920664
• Title: SRE-FER: Regional residual evidence learning for mitigating local evidence dilution in fine-grained facial expression recognition
• Title（参考訳）: SRE-FER: きめ細かい表情認識における局所的証拠希釈の軽減のための地域的残留証拠学習
• Abstract要約: SRE-FERは、読み出しレベルの地域的残留証拠学習フレームワークである。 そのコアモジュールであるRERAは、バックボーンのグローバルな予測を保ちながらクラス境界を洗練させるゼロd残留ロジットを追加する。 3つのベンチマークで、SRE-FERはRAF-DBで92.76%、FERPlusで91.32%、AffectNet-7で67.78%に達した。
• 参考スコア（独自算出の注目度）: 9.28905071339304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained facial expression recognition (FER) hinges on capturing subtle muscular cues that distinguish adjacent emotions. Yet capturing these cues presents a dilemma. Detector-based methods depend on fragile landmark pipelines, whereas we find that directly transferring foundation models such as DINOv3 under conventional global readouts can cause local evidence dilution: early global aggregation washes out sparse muscular signals and leaves persistent confusion between categories such as fear/surprise and sad/neutral. To recover this evidence, we propose SRE-FER, a readout-level regional residual evidence learning framework. Its core module, RERA, adds zero-initialized residual logits that refine class boundaries while preserving the backbone's global prediction. Training-time action unit (AU) guidance steers regional features toward expression-relevant areas using Facial Action Coding System (FACS)-based anatomical priors, without requiring an external facial pipeline at inference. An optional Full setting further routes sample-specific non-redundant tokens. On three benchmarks, SRE-FER attains 92.76% on RAF-DB, 91.32% on FERPlus, and 67.78% on AffectNet-7, demonstrating highly competitive performance compared to existing FER methods.
• Abstract（参考訳）: 顔の表情認識(FER)は、隣接する感情を識別する微妙な筋肉の手がかりを捉えている。 しかし、これらの手がかりを捉えることはジレンマとなる。 検知器に基づく手法は脆弱なランドマークパイプラインに依存しているのに対し、DINOv3などの基盤モデルを従来のグローバルリードアウトで直接転送することは、局所的な証拠の希釈を引き起こす可能性がある。 そこで我々は,この証拠を回収するために,読み出しレベルの地域的残留証拠学習フレームワークであるSRE-FERを提案する。 コアモジュールであるRERAは、バックボーンのグローバルな予測を保ちながらクラス境界を洗練させるゼロ初期化残留ロジットを追加する。 訓練時間行動単位(AU)は、表情関連領域に対して、顔の外部パイプラインを必要とせず、顔面行動符号化システム(FACS)に基づく解剖学的先行情報を用いて、地域的特徴を判断する。 オプションのFull設定は、サンプル固有の非冗長トークンをさらにルートする。 3つのベンチマークで、SRE-FERはRAF-DBで92.76%、FERPlusで91.32%、AffectNet-7で67.78%を獲得し、既存のFER法と比較して高い競合性能を示した。

関連論文リスト

• Map the Possibilities: Spatial Belief Fields for Language-Goal Aerial Navigation [49.03955946482723]
  SBFNavは、言語条件付き空間的信念場を中心としたクローズドループナビゲーションフレームワークである。 主に観測されたことを記録しているエゴ中心の地図とは異なり、SBFレポジトリ-はタスク条件付き分布を可視な目標位置上で再送する。 SBFNavは、制御のためのメットリックなウェイポイントとして、命令と観察に最も適したゴールを選択する。
  論文  参考訳（メタデータ） (2026-09-05T03:11:01Z)
• Unlearning Is Not Just Erasing: Temporal Decoupling via Generation Inequality [15.115560580671612]
  ADUは,未学習をトークン消去から文脈的注意経路分離に移行するためのトレーニングベースのフレームワークである。 ADUはTOFUとWMDPベンチマークで評価されたベースラインの中で最強の集計性能を達成している。
  論文  参考訳（メタデータ） (2026-08-24T09:22:05Z)
• From Sparse Features to Trustworthy Proxies: Certifying SAE-Based Interpretability [53.681678236115836]
  我々は,SAEに基づく説明を,基盤となる凍結LMの忠実な見方として扱うことができるかを検討した。 この枠組みは, 4つの測定可能な量を用いて, 基本モデルの予測リスクの上限を導出する。 我々は, GPT-2 Small, Gemma-2B, Llama-3-8B のサンプルサイズにおいて, 境界が非空洞となることを示す。
  論文  参考訳（メタデータ） (2026-06-16T18:28:23Z)
• Evaluating the Representation Space of Diffusion Models via Self-Supervised Principles [35.85907484884706]
  拡散モデルの表現と生成能力を評価するためのフレームワークを提案する。 拡散モデルの識別的および生成的挙動を解析する。 この結果から,自己監督的視点から拡散モデルを監視することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-08T16:44:18Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Beyond Accuracy: Robustness, Interpretability and Expressiveness of EEG Foundation Models [31.542508691296053]
  脳波基礎モデル (EEG-FMs) は, 清潔な分布精度で評価されている。 本研究では、6つのEEG-FMを8つのデータセットにまたがるベースラインディープラーニングモデルに対してベンチマークすることで、これらのギャップに対処する。
  論文  参考訳（メタデータ） (2026-05-17T17:47:00Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
  教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。 本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:18Z)
• SHRUG-FM: Reliability-Aware Foundation Models for Earth Observation [2.6526177459233446]
  地球観測のための地球空間基盤モデルは、事前訓練中に過小評価されている環境では確実に機能しないことが多い。 SHRUG-FMは3つの相補的な信号を統合する信頼性を考慮した予測フレームワークである。 我々は,OODスコアが特定の環境条件下での低い性能と相関していることを示し,不確実性に基づくフラグは,多くの性能の悪い予測を捨てる助けとなることを示した。
  論文  参考訳（メタデータ） (2025-11-13T14:48:55Z)
• RADAR: Mechanistic Pathways for Detecting Data Contamination in LLM Evaluation [3.0440083323454474]
  我々は、機械的解釈可能性を利用して汚染を検出するフレームワークRADARを紹介する。 RADARは、表面レベルの信頼軌道と深い力学特性にまたがる37の特徴を抽出する。 様々な評価セットで93%の精度を達成し、明確なケースでは完全な性能、不明瞭なケースでは76.7%の精度を達成している。
  論文  参考訳（メタデータ） (2025-10-10T02:21:45Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)

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。