14、解决面部表情识别中的标签模糊问题与公平共享激励机制

解决面部表情识别中的标签模糊问题与公平共享激励机制

在当今科技发展的浪潮中，面部表情识别（FER）和联邦学习领域都取得了显著的进展，但也面临着各自的挑战。本文将深入探讨解决面部表情识别中标签模糊问题的方法，以及一种名为“FairShare”的联邦学习激励机制。

面部表情识别的挑战与解决方案

在人类 - 计算机交互领域，面部表情识别具有重要意义。它能够反映人的心理活动和状态，科学家们致力于开发能自动感知人类情感并自然交互的系统和机器人。然而，实现准确的面部表情识别并非易事，其中标签模糊问题是主要挑战之一。

标签模糊问题主要源于两个方面：一是表情本身的模糊性，例如“快乐”和“惊讶”难以区分；二是不同人进行标注时产生的不一致性。这可能导致模型学习到无用的特征，从而降低识别准确性。基于深度学习的 FER 任务主要受数据、模型和标签三个要素影响，虽然研究人员在模型和数据方面取得了进展，但对标签的关注仍显不足。

为了解决标签模糊问题，研究人员提出了一种名为 Attentive Cascaded Network（ACN）的方法。该方法主要包含以下两个关键部分：
1. 级联网络（Cascaded Network） ：
- 类别预测分支 ：将表情分为七个基本类别，但这些类别尤其是负面表情非常相似，且现有 FER 训练数据集在类别分布上不平衡。因此，使用两个分支分别预测正面表情（快乐、惊讶、正常）和负面表情（愤怒、厌恶、恐惧和悲伤），使训练数据集更加平衡。
- 模型集成策略 ：在粗网络中使用模型集成策略，具体采用 HRNet、Swin -