论文中关于[表情识别]的半监督学习方法有哪些进展？

本文共计1152个文字，预计阅读时间需要5分钟。

论文基本背景+发表时间及期刊：2022年CVPR，发表单位：西安电子科技大学，香港中文大学，重庆邮电大学问题背景：在大部份半监督学习方法中，通常只有部分配置具有较高置信度

论文基本情况

发表时间及刊物/会议：2022 CVPR
发表单位：西安电子科技大学， 香港中文大学，重庆邮电大学

问题背景

在大部分半监督学习方法中，一般而言，只有部分置信度高于提前设置的阈值的无标签数据被利用。由此说明，大部分半监督方法没有充分利用已有数据进行训练。

论文创新点

设置了Adaptive Confidence Margin（自适应阈值）根据训练规律动态调整阈值，充分利用所有的无标签数据。

网络结构

具体的训练步骤如下：
初始基本设定：

1. 设置初始阈值，本文中，对于每个类别，阈值初始值为0.8。
2. 本模型借鉴Mean Teacher的思想，引入老师模型（ema_model）。
3. 训练时有标签和无标签数据按1：1的比例输入网络
4. 模型backbone采用resent18，输出最后一层类别概率分布以及倒数第二层512维特征向量。

学生网络：
对于有标签数据：
有标签图片经过弱数据增强（WA）后进入模型，输出结果和真值对比，利用交叉熵函数作为损失函数，计算有标签损失\(L^s_{CE}\)。

对于无标签数据：
无标签图片复制三份（a图, b图, c图），其中两份（a图，b图）经过弱数据增强（WA）后输入模型，再将输出的两个概率分布平均后得到最终的概率分布。记所得概率分布中的最大概率为\(f_{max}\)，对应类别记作\(c\)。