(图：一种自适应分离干扰因素的表情识别算法)
Springer出版集团旗下《International Journal of Computer Vision》期刊，近日发表信息学院模式分析与机器智能研究中心课题组最新研究成果： Adaptive Deep Disturbance-Disentangled Learning for Facial Expression Recognition，DOI：10.1007/s11263-021-01556-7。（Link）
人脸表情识别，是计算机视觉领域的一个重要任务，在自动驾驶、智能安防、医疗监护等领域有着广泛的应用。面部表情可以通过非接触的方式传递非语言性信号。在当今的人工智能时代，让机器学会识别表情，有利于帮助其感知和理解人类的情感。但是，人脸图像中的表情信息常常夹杂着各种各样的干扰信息，如身份、头部姿态、光照、年龄、性别、种族等变化。这些干扰信息的存在，扩大了表情的类间相似性和类内差异性，影响了表情特征的提取，使人脸表情识别任务更具挑战性。
模式分析与机器智能研究中心课题组研究发现，一些大规模的人脸数据集提供了干扰因素的标签，可以被用来缓解人脸表情数据集训练数据有限以及缺乏多种干扰因素标签的问题。因此，提出了一种自适应分离干扰因素的表情识别算法。与其他方法不同的是，该方法设计了一个干扰子网络和自适应干扰特征学习模块，利用对抗迁移学习的方式，将大规模人脸数据集中的干扰先验信息与人脸表情数据集的干扰特点相结合，自适应地学习干扰特征。同时，该方法通过最小化表情特征和干扰特征之间的互信息，可以显式地分离这两类特征，从而使表情特征更具有鲁棒性，显著地提升了表情识别的性能。该研究工作为解决无干扰标记的人脸表情数据集中的多干扰问题提供了新思路。
International Journal of Computer Vision (IJCV)，即《国际计算机视觉杂志》，是计算机科学领域顶级国际期刊之一。
以上研究工作由信息学院计算机科学与技术系严严副教授、王菡子教授共同指导，硕士生阮德莲、莫榕云为共同第一作者。该项研究获得了国家自然科学基金项目、之江实验室开放研究项目、湖南省自然科学基金项目和株洲市青年创新基金项目的支持。
(信息学院)
