Ein dualer Zweig adaptiver Verteilungsfusionsrahmen für die Erkennung von Gesichtsausdrücken in der realen Welt

Die Erkennung von Gesichtsausdrücken (Facial Expression Recognition, FER) spielt eine bedeutende Rolle im Alltag. Allerdings kann die Ambiguität bei der Annotation in Datensätzen die Leistung erheblich beeinträchtigen. In diesem Paper behandeln wir die FER-Aufgabe im Rahmen des Label Distribution Learning-Ansatzes und entwickeln einen dualen, adaptiven Fusionsansatz namens Adaptive Distribution Fusion (Ada-DF). Dabei wird ein Hilfszweig konstruiert, um die Labelverteilungen der Proben zu ermitteln. Anschließend werden die Klassenverteilungen der Emotionen aus den Labelverteilungen jeder Emotion berechnet. Schließlich werden diese beiden Verteilungen adaptiv gemäß Aufmerksamkeitsgewichten fusioniert, um den Zielzweig zu trainieren. Umfassende Experimente werden auf drei realen Datensätzen durchgeführt: RAF-DB, AffectNet und SFEW, wobei unser Ada-DF gegenüber den aktuellen State-of-the-Art-Verfahren Vorteile zeigt. Der Quellcode ist unter https://github.com/taylor-xy0827/Ada-DF verfügbar.