
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于动态补偿的先验-上下文协同学习网络用于噪声鲁棒面部表情识别
《Scientific Reports》:PCD-Net: prior-context collaborative learning for robust facial expression recognition under noisy labels
【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific Reports 4.9
编辑推荐:
摘要在现实世界的面部表情识别(FER)中,噪声标注和类别不平衡通常同时存在,这使得那些困难但正确标注的少数类样本难以与不可靠的训练样本区分开来。现有的噪声FER方法主要通过样本选择或重新加权来提高鲁棒性,而用于协同去噪的表示多样性以及样本可靠性与类别难度之间的区别仍未得到充分
在现实世界的面部表情识别(FER)中,噪声标注和类别不平衡通常同时存在,这使得那些困难但正确标注的少数类样本难以与不可靠的训练样本区分开来。现有的噪声FER方法主要通过样本选择或重新加权来提高鲁棒性,而用于协同去噪的表示多样性以及样本可靠性与类别难度之间的区别仍未得到充分探索。为解决这些问题,我们提出了一种带有动态补偿的先验-上下文协同学习网络(PCD-Net)。PCD-Net采用了两个具有互补表示偏置的异构编码器。先验分支使用基于注意力的层次化部件表示模块来学习多个空间选择性面部响应,而上下文分支则采用语义引导的特征对齐来校准全局语义和显著上下文线索。为了实现噪声鲁棒优化,我们引入了动态相对Beta混合模型,该模型从预测-标签对齐中估计样本级可靠性,并通过时间受限的动态补偿单独建模类别相对学习难度。在RAF-DB、FERPlus和AffectNet数据集上进行的对称标签噪声实验,以及在RAF-DB上的非对称噪声和受控实例依赖噪声评估,证明了PCD-Net在中度到重度数据损坏情况下尤为有效。额外的类别平衡、消融、分支互补性、推理策略和计算分析进一步刻画了其在鲁棒性和效率之间的权衡。