解决面部表情识别中的标签模糊问题与平滑学习

### 解决面部表情识别中的标签模糊问题与平滑学习 在当今的科技发展中，面部表情识别（FER）在人机交互领域扮演着至关重要的角色。然而，由于面部表情存在显著的类内差异、类间相似性以及表情本身的模糊性，准确学习FER特征并非易事。本文将深入探讨如何解决这些问题，以及所提出的创新方法。 #### 面部表情识别的挑战 面部表情识别一直是计算机视觉和人机交互领域的重要研究课题。过去几年，该领域吸引了大量关注，科学家们致力于开发能够自动感知人类情感状态的系统和机器人。但在实际应用中，实现准确的面部表情识别仍然面临诸多挑战。 其中，标签模糊问题是主要挑战之一。一方面，某些表情本身就很相似，难以区分，例如“快乐”和“惊讶”；另一方面，不同人进行标注时可能会导致标签不一致。这使得模型可能学习到无用的面部表情特征，从而降低了识别的准确性。 目前，基于深度学习技术的FER任务主要受数据、模型和标签三个要素影响。虽然研究人员在模型和数据方面取得了显著进展，但对标签的关注还不够。例如，Xu等人提出的Graph Laplacian Label Enhancement（GLLE）算法，由于其对特征空间拓扑的刚性假设，不适用于大规模数据集。 #### 解决方案：Attentive Cascaded Network（ACN） 为了解决标签模糊问题，本文提出了Attentive Cascaded Network（ACN）方法。该方法的主要贡献包括： - **级联网络**：通过级联网络以不同方式获取更可靠的特征。具体来说，使用两个分支分别预测积极表情（快乐、惊讶、正常）和消极表情（愤怒、厌恶、恐惧和悲伤），将低频的消极样本合并，使训练数据集更加平衡。同时，采用模型集成策略，将HRNet、Swin - S和IResNet - 152作为骨干网络，这些架构差异显著，能够提取不同的特征，避免整个框架对一些噪声特征的过拟合。 - **HRNet**：持续保持高分辨率表示，并在不同分辨率之间交换特征，以获取丰富的语义特征。 - **Swin Transformer**：使用带移位窗口的注意力机制来研究与其他位置的关系，通过池化或路径合并层降低特征图的空间分辨率，降低处理成本并拓宽感知野。 - **IResNet - 152**：同样使用池化或路径合并层降低特征图的空间分辨率。 - **平滑中心损失**：中心损失是一种广泛使用的深度度量学习技术，其目标是减少深度特征与其对应类中心之间的平方和。但并非特征向量中的所有元素都对分类有用，因此提出了平滑中心损失方法。通过为每个维度的欧几里得距离分配权重，过滤掉无关特征，选择性地实现嵌入空间中相关信息的类内紧凑性和类间分离。平滑中心损失的数学表示如下： - 中心损失公式： \[ L_C = \frac{1}{2n} \sum_{i = 1}^{n} \sum_{j = 1}^{m} \| x_{ij} - c_{y_{ij}} \|_2^2 \] - 平滑中心损失公式： \[ L_{SC} = \frac{1}{2n} \sum_{i = 1}^{n} \sum_{j = 1}^{m} \alpha_{ij} \otimes \| x_{ij} - c_{