动态类内聚类表情识别算法

尾类精度显著提升

通过对多数类动态聚类并生成伪标签，使模型学习到更具判别力的特征，在不增加推理负担的情况下提升少数类表情的识别精度。

Li, Qingdu · Liu, Jian · Kang, Xu · Liu, Na · Yuan, Ye

Biomimetics 2025

参数信息

FER2013准确率提升（绝对值）

1.73 %

MMAFEDB准确率提升（绝对值）

1.97 %

Emotion-Domestic准确率提升（绝对值）

5.48 %

技术优势

动态平衡类别分布

通过对多数类样本聚类生成子类伪标签，在不引入额外网络分支或样本生成的情况下，使得训练时各类别样本数量趋于均衡，从而让模型能够学习到更均衡的特征表示。

尾类精度显著提升

该方法在多个数据集上对少数类表情的识别准确率均有提升，尤其在情感数据集上实现了5.48%的绝对提升，有助于缓解医疗人机交互中对负面情绪的误判。

不增加推理开销

DICC仅改变训练阶段的标签分配策略，不修改模型结构，因此推理时的计算量和参数量与原始模型完全相同，便于在资源受限的机器人或移动端部署。

应用场景

• 医疗人机情感交互：提升机器人对患者负面情绪的识别能力，减少因误判导致的交互风险。
• 情感识别与响应：通过平衡类别分布提高整体表情识别精度，使识别系统响应更准确。
• 情感电子皮肤：为电子皮肤的情感感知模块提供更鲁棒的识别算法，提升对少数类表情的响应。
• 机器人情感交互：在不增加推理负担的前提下提高机器人对少数类表情的识别准确率。