面向真实世界面部表情识别的双分支自适应分布融合框架

面部表情识别（Facial Expression Recognition, FER）在日常生活中具有重要意义。然而，数据集中标注的模糊性会显著影响模型性能。本文针对FER任务，提出基于标签分布学习（Label Distribution Learning）的范式，构建了一种双分支自适应分布融合（Adaptive Distribution Fusion, Ada-DF）框架。其中，一个辅助分支用于获取样本的标签分布；随后，通过各情绪类别的标签分布计算出情绪的类别分布；最后，根据注意力权重对这两类分布进行自适应融合，以指导目标分支的训练。在三个真实世界数据集（RAF-DB、AffectNet和SFEW）上开展的大量实验表明，所提出的Ada-DF方法在性能上优于现有最先进方法。代码已公开，获取地址为：https://github.com/taylor-xy0827/Ada-DF。