통증 강도 회귀를 위한 얼굴 인증 네트워크 정규화

얼굴 표정 강도 추정 연구에 사용할 수 있는 라벨링된 데이터가 제한적입니다. 예를 들어, 환자가 보고한 통증 강도의 라벨을 가진 작은 데이터셋으로 자동 통증 평가용 딥 네트워크를 훈련시키는 능력이 제한됩니다. 다행히도 얼굴 인식과 같은 대규모 데이터로 사전 훈련된 영역에서 미세 조정(fine-tuning)을 통해 이 문제를 완화할 수 있습니다. 본 논문에서는 규제 회귀 손실(regularized regression loss)과 표현 라벨이 추가된 데이터를 사용하여 최신의 얼굴 인식 네트워크를 미세 조정하는 네트워크를 제안합니다.这样一来，表情强度回归任务可以从用于面部验证的大规模数据中训练出的丰富特征表示中受益。本句可以优化为：이렇게 하면, 표정 강도 회귀 작업은 얼굴 인식을 위해 대규모 데이터로 훈련된 풍부한 특징 표현으로부터 이점을 얻을 수 있습니다.제안된 규제 딥 회귀기는 널리 사용되는 UNBC-McMaster 어깨통증 데이터셋에서 통증 표정 강도 추정에 적용되어 최고 성능을 달성했습니다. 또한, 다양한 통증 강도 간의 불균형 문제를 해결하기 위해 가중 평가 지표(weighted evaluation metric)가 제안되었습니다.