处理表情识别中的坏数据：一篇CVPR 2020及两篇TIP的解读

Posted 2022-08-03 Charmve

本篇提前看重点关注 CVPR 2020 中的这篇「Suppressing Uncertainties for Large-Scale Facial Expression Recognition」, 但在解读它之前，我们先有步骤的解读两篇 TIP 作为它的基础，最后详细介绍它的算法和思想。对比性的解读这三篇论文，也许能对研究者们自己的工作有所启发。

作者：周宇
来自：机器之心

真实场景下的表情识别一直是令众多研究者十分头疼的课题。这个任务中，尤为令人抓狂的是表情数据集中普遍存在着许多坏的数据（例如被遮挡的人脸，错误的标签或者是模糊不清的图像）。这些数据不仅使得模型难以拟合，还严重拉低了最后的精度。在今年的 CVPR 中，我们惊喜的发现了一篇专门解决这个问题的论文，这篇论文有效的抑制了那些不确定性的数据，并且防止了深度模型对这些坏数据的过拟合。顺藤摸瓜，我们也找到了在 2019 年的 IEEE transactions on image processing 上两篇能有效处理遮挡表情和姿势变化的论文。本篇提前看重点关注 CVPR 2020 中的这篇「Suppressing Uncertainties for Large-Scale Facial Expression Recognition」, 但在解读它之前，我们先有步骤的解读两篇 TIP 作为它的基础，最后详细介绍它的算法和思想。对比性的解读这三篇论文，也许能对研究者们自己的工作有所启发。

具体的，我们解读的三篇文章如下：

1. Li, Yong, et al.「Occlusion Aware Facial Expression Recognition Using CNN With Attention Mechanism.」IEEE Transactions on Image Processing, vol. 28, no. 5, 2019, pp. 2439–2450.