抗噪声双约束网络的面部表情识别.pdfVIP

第43卷第2期广西师范大学学报(自然科学版)Vol.43No.2

2025年3月JournalofGuangxiNormalUniversity(NaturalScienceEdition)Mar.2025

DOI:10.16088/j.issn.1001-6600.2024021601http:

苏春海,夏海英.抗噪声双约束网络的面部表情识别[J].广西师范大学学报(自然科学版),2025,43(2):70-82.SUCH,XIAHY.Facial

expressionrecognitionbasedonnoise-resistantdualconstraintnetwork[J].JournalofGuangxiNormalUniversity(NaturalScienceEdition),2025,

43(2):70-82.

抗噪声双约束网络的面部表情识别

1,21,2∗

苏春海,夏海英

(1.广西类脑计算与智能芯片重点实验室(广西师范大学),广西桂林541004;

2.广西师范大学电子与信息工程学院/集成电路学院,广西桂林541004)

摘要:由于标注主观性、图像模糊等因素,数据集不可避免存在噪声,使表情识别更具挑战性。现有面部表情识别方

法在处理噪声标签时,模型会部分过度拟合噪声标签,对此,本文提出一种新颖的抗噪声双约束网络(NDC-Net)来自动

抑制噪声样本。NDC-Net主要包括2个约束机制:类激活映射注意一致性(CAC)和通道空间特征一致性(CSC)。CAC使

模型集中于局部重要特征信息,减少对噪声标签的过度关注,而CSC鼓励和确保模型在提取特征时从通道和空间上更加

关注到与任务相关的信息,忽略不相关信息,减少对噪声标签的依赖。此外,为增强NDC-Net性能,输入样本采用旋

转、缩放等策略进行增强。在RAF-DB、FERPlus和AffectNet数据集30%标签噪声下,NDC-Net的识别性能分别为

86.57%、88.22%和59.78%,显著优于EAC、NCCTFER等先进的噪声标签处理方法,并且在计算机视觉领域中被广泛应

用于评估算法性能和泛化能力的CIFAR100和Tiny-ImageNet中也取得不错的效果。

关键词:噪声标签;面部表情识别;深度学习;监督学习;注意力机制

中图分类号:TP391.41文献标志码:A文章编号:1001-6600(2025)02-0070-13

[1]

早期的表情识别研究采用传统的机器学习方法,如支持向量机(SVM)、随机森林等,利用手工提取

特征对表情进行分类。该方法的局限在于特征提取需要人工干预,难以发掘数据中的深层次特征,且模型

泛化能力有限。近年来,深度学习方法在表情识别领域得到广泛应用,尤其是卷积神经网络(CNN)的出

现,使模型可以直接从原始图像中学习特征,显著提高了识别准确率。在面部表情识别任务中,基于深度

学习的表情识别方法在遮挡、姿态变化等情况下已经取得很好的识别性能。然而,标注过程受到标注者主

观性、数据采集过程中的干扰等因素影响,噪声标签不可避免,导致训练好的模型在面对真实场景时,识别

性能下降。因此,处理噪声标签成为面部表情识别领域中非常具有挑战性的问题。

噪声标签主要分为2类:标注错误和数据集噪声。标注错误通常是由于人工标注者的错误或主观判

断不准确而导致的标签错误。数据集噪声则是在图像采集和预处理过程中引入的噪声,例如环境因素

(如光照、