摘要
在面部表情识别（Facial Expression Recognition, FER）任务中，固有噪声（如模糊的表情表达和标签不一致）所引入的不确定性，对识别结果的可信度构成了严峻挑战。为量化此类不确定性，并在噪声数据下实现优异性能，本文将不确定性视为一种相对概念，提出一种创新的不确定性学习方法——相对不确定性学习（Relative Uncertainty Learning, RUL）。与以往假设所有数据集均服从高斯不确定性分布的做法不同，RUL引入一个额外分支，通过特征混合（feature mixup）机制学习样本间的相对难易程度，从而推断不确定性。具体而言，我们利用不确定性作为权重对人脸特征进行混合，并设计了一种累加损失函数（add-up loss），以有效促进不确定性学习。该方法实现简单，几乎不增加额外计算开销。大量实验表明，RUL在真实世界和合成噪声的FER数据集上均显著优于当前最先进的不确定性学习方法。此外，RUL在其他主流数据集（如CIFAR和Tiny ImageNet）上也表现出良好的泛化能力。代码已开源，地址为：https://github.com/zyh-uaiaaaa/Relative-Uncertainty-Learning。