跨域面部表情识别：统一评估基准与对抗图学习

为了解决不同面部表情识别（FER）数据集之间的数据不一致性问题，近年来已经广泛设计了许多跨域FER方法（CD-FERs）。尽管每种方法都声称能够实现优越的性能，但由于源/目标数据集和特征提取器的选择不一致，公平的比较仍然缺乏。在本研究中，我们首先分析了这些选择不一致对性能的影响，然后重新实现了某些表现良好的CD-FER以及最近发布的域适应算法。我们确保所有这些算法使用相同的数据集和特征提取器进行跨域FER评估，以实现公平性。我们发现，当前大多数领先的算法通过对抗学习来学习整体不变特征，以减轻域偏移。然而，这些算法忽略了局部特征，而局部特征在不同数据集之间更具可迁移性，并且携带了更多用于细粒度适应的详细内容。为了应对这些问题，我们开发了一种新颖的对抗图表示适应（AGRA）框架，将图表示传播与对抗学习相结合，实现跨域的整体-局部特征协同适应。具体而言，该框架首先构建两个图，分别关联每个域内的整体和局部区域以及不同域之间的整体和局部区域。然后从输入图像中提取整体-局部特征，并使用可学习的每类统计分布来初始化相应的图节点。最后采用两个堆叠的图卷积网络（GCNs），在一个域内传播整体-局部特征以探索其相互作用，并在不同域之间进行整体-局部特征的协同适应。我们在多个流行的基准上进行了广泛的公平评估，并展示了所提出的AGRA框架优于以往的最先进方法。