【论文阅读】Facial Expression Recognition in the Wild via Deep Attentive Center Loss

已于 2022-03-03 20:47:25 修改
阅读量1.6k 收藏 7
点赞数 6
文章标签： cnn 人工智能 神经网络
于 2022-03-03 20:44:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_42785704/article/details/123258913
版权
本文探讨了一种用于野外观察能力面部表情识别的方法，利用深度注意中心损失提升模型性能。通过CNN获取特征图，进一步处理以计算表情概率分布。文章重点解析了中心损失的概念，旨在减小深层特征与对应类中心的距离。此外，引入了稀疏中心损失，通过对特征向量元素加权，强调区分表情相关特征的重要性。最终，该方法通过多头二分类网络生成稀疏中心损失，优化常规中心损失，实现更精准的表情识别。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

这篇文章的重点在 “ 深度注意中心损失 ” 。

下面简要描述一下网络中下面分支的pipeline：

X_{i}为输入的图像，经过CNN处理后，得到特征图x_{i}^{*}。下面的分支进行如下处理：pooling layer处理x_{i}^{*}后得到x_{i}，x_{i}是一个一维的特征向量，再将x_{i}经过一个全连接层计算后得到表情的概率分布，最后计算分类softmax loss，也就是L_{S}。

难点在于上面分支的理解，也就是sparse center loss如何计算。在介绍上面分支的pipeline之前，需要介绍一下什么叫中心损失。


中心损失的目标是：最小化 “ 深层特征 ” 与其 “ 对应的类中心” 之间的距离。举个例子，有一批batch size为m的样本\left \{ X_{1},X_{2},...,X_{i},...,X_{m} \right \}，其中

最低0.47元/天 解锁文章
论文阅读-单中心损失指导的频率感知鉴别特征学习在人脸伪造检测中的应用
一位不是很硕的鉴伪方向硕士
04-26 4337
本文提出了一种新的单中心损失SCL（single-center loss），是一种双流网络，但他们不是完全用孪生网络，而是在中间部分融合特征，然后再继续提取特征，节约了参数。
论文阅读：Intensity-Aware Loss for Dynamic Facial Expression Recognition in the Wild（AAAI2023）
最新发布
小刘的博客
11-21 466
与基于图像的静态人脸表情识别（SFER）任务相比，基于视频序列的动态人脸表情识别（DFER）任务更接近自然表情识别场景。然而，DFER往往更具挑战性。其中一个主要原因是，特别是对于真实世界场景中的面部表情，而SFER中的图像经常呈现均匀且高的表情强度。然而，如果同等对待不同强度的表情，网络学习的特征将具有，这对DFER是有害的。为了解决这个问题，我们提出了，以帮助网络区分表达强度相对较低的样本。在两个野外动态面部表情数据集上的实验（即，DFEW和FERV39k）表明，我们的方法优于最先进的DFER方法。
Center Loss: A Discriminative Feature Learning Approach for Deep Face Recognition（论文阅读笔记）
weixin_40671425的博客
07-23 3846
摘要 卷积神经网络(CNNs)在计算机视觉领域得到了广泛的应用，极大地提高了计算机视觉领域的技术水平。在现有的神经网络中，大多采用softmax损失作为监督信号来训练模型。为了提高对深度学习特征的识别能力，提出了一种新的人脸识别监控信号——center loss。具体来说，center loss同时学习每个类的深度特征中心，并惩罚深度特征与其对应的类中心之间的距离。更重要的是，我们证明了...
center loss 论文学习
Yan_Joy的博客
02-27 2182
center loss框架从网络的的框架来看，center loss的主要工作是下图中的“Discriminative Features”。 普通的网络框架，在反向传播的过程中，根据类别标签，会将不同的类别划分开。如“Separable Features”所示，一开始两种颜色是混杂的，通过改变网络参数，让不同颜色能被分类器分开，就达到了目的。而这个过程中，只对不同类有要求，同一类没有进行约束。
中心损失 Center Loss 解释
comeonow的博客
11-23 2292
最近在看人脸表情识别论文的时候，看到了有用中心损失函数（Cemter Loss），中心损失它仅仅用来减少类内（比如说同一表情）的差异，而不能有效增大类间（比如说不同表情）的差异性。如下图所示： 　　上图中，图（a)表示softmax loss学习到的特征描述 。图（b)表示softmax loss + center loss 学习到的特征描述，他能把...
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
【ECCV2020】接收论文列表part1
TomRen
07-18 7048
ECCV2020 接收论文完整列表 看论文学CV
论文笔记2.3——PFLD: A Practical Facial Landmark Detector
大西瓜不甜的博客
03-01 867
3，Experimental Evaluation 3.1 实验设置 Datasets. To evaluate the performance of our proposed PFLD, we conduct experiments on two widely-adopted challenging datasets, say 300W [25] and AFLW [18]. 3...
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
读《Deep Representation Learning With Full Center Loss for Credit Card Fraud Detection》
weixin_40459958的博客
10-03 202
摘要 从深度神经网络的损失函数方面获取法律交易和欺诈交易的深度特征表示 获得更好的特征可分性和可辨别性，从而提高欺诈检测模型的性能，保持其稳定性。 提出了一种新的损失函数，全中心损失(FCL)，它同时考虑了特征之间的距离和角度，从而可以全面监督深度表征学习 1.引言 用机器学习处理信用卡欺诈检测比传统的图像二分类多了两个麻烦： 数据集的类不平衡和用户和欺诈者[2]，[8]行为的动态变化。 一方面，可用的欺诈交易记录数量非常少，严重影响了监督分类的性能[9]。当前也有解决思路，如基于采样的方法[9,10,17
【Loss】中心损失 Center Loss 解释
mjiansun的专栏
08-17 4362
类中心c:每一个样本的特征需要通过一个好的网络到达特征层获得,这样计算完后所有样本的特征的平均值为类中心c,而好的网络需要是在有类中心加入的情况下才能得到...
什么是中心损失
weixin_46516242的博客
03-13 1067
什么是中心损失
中心损失和单中心损失
qq_47997535的博客
07-14 977
单中心损失和中心损失
【论文阅读】Affect Expression Behaviour Analysis in the Wild using Spatio-Channel Attention and 。。。
qq_42785704的博客
03-03 247
网络结构包含两个分支：（1）利用空间注意力机制的局部和全局注意分支；（2）互补上下文信息。
泛读论文：Facial Expression Recognition 表情识别合集
汪汪汪的博客
03-19 5980
基于跨连接 LeNet-5 网络的面部表情识别 自动化学报 2018.1 问题 传统的表情识别方法需要进行复杂的人工特征提取 为避免人为因素对表情特征提取产生的影响, 本文选择卷积神经网络 方法 采用改进的 LeNet-5 即将网络结构中提取的低层次特征与高层次特征相结合构造分类器 JAFFE 94.37% CK+ 83.74% 参考 http://www.aas....
深度学习技巧应用11-模型训练中稀疏化参数与稀疏损失函数的应用
微学AI的博客
05-01 1979
大家好，我是微学AI，今天给大家介绍一下深度学习技巧应用11-模型训练中稀疏化参数与稀疏损失函数的应用，在训练神经网络的过程中，将稀疏损失加入到常规损失函数的作用主要是降低模型复杂性和提高模型泛化能力。通过引入稀疏性约束，优化算法会在减小常规损失的同时，尽量让参数稀疏化。
人脸检测和人脸识别原理 三元组损失 中心损失
lhwjgs123456789的博客
04-08 2447
人脸检测和人脸识别原理 一、MTCNN的原理 　　搭建人脸识别系统的第一步是人脸检测，也就是在图片中找到人脸的位置。在这个过程中，系统的输入是一张可能含有人脸的图片，输出是人脸位置的矩形框，如下图所示。一般来说，人脸检测应该可以正确检测出图片中存在的所有人脸，不能用遗漏，也不能有错检。　　 　　　 　　获得包含人脸的矩形框后，第二步要做的就是人脸对齐（Face Alignment）。原始图片中人脸的姿态、位置可能较大的区别，为了之后统一处理，要把人脸“摆正”。为此，需要检测人脸中的关键点（Land
Center loss：Margin-Mix / Affinity Loss / Sparse Center Loss
liu_chengguang的博客
05-06 628
本次介绍4篇论文里面的Center loss，包括Center loss/Margin-Mix / Affinity Loss / Sparse Center Loss. 4篇论文分布为： •《A Discriminative Feature Learning Approach for Deep Face Recognition》 •《 Margin-Mix: Semi-Supervised Learning for Face Expression Recognition 》 •《Distract
WACV 2021 论文大盘点-人脸技术篇
OpenCV中文网
01-16 823
本篇内容是2021 年第一篇整理类文章，也是今年 CV 领域第一个较有影响力的学术会议—— WACV 2021 的人脸相关论文，涉及到人脸重建、人脸识别、人脸表情识别、人脸热成像、人...
towards semi-supervised deep facial expression recognition with an adaptive
11-12
近年来，半监督深度面部表情识别成为了人们关注的热点问题之一。在这个领域，研究人员一直致力于利用少量有标签的数据和大量无标签的数据来提高面部表情识别的准确性和鲁棒性。Adaptive是一种有效的半监督学习方法，它能够自适应地利用标签和无标签数据，使得深度学习模型在应用于面部表情识别时更加有效。 半监督学习是一种机器学习方法，利用少量有标签的数据和大量无标签的数据来训练模型。在面部表情识别中，往往很难获取大量有标签的数据，而无标签数据却很容易获取，因此半监督学习成为了一种有吸引力的解决方案。通过利用Adaptive方法，研究人员可以更好地利用无标签数据，提高模型的泛化能力和鲁棒性，从而提升面部表情识别的准确性。 Adaptive方法还可以帮助模型在数据分布变化时自适应地调整，使得模型更具灵活性和稳健性。在面部表情识别任务中，由于不同环境和条件下的面部表情具有差异性，Adaptive方法能够使模型更好地适应这种差异，提高识别的鲁棒性。 总之，半监督深度面部表情识别与Adaptive方法的结合，有望提高面部表情识别的准确性和鲁棒性，为人们提供更加高效和可靠的面部表情识别技术。相信随着更多研究和实践的开展，半监督深度面部表情识别将迎来更加广阔的发展前景。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值