【论文阅读】Occlusion-Adaptive Deep Network for Robust Facial Expression Recognition

1.这篇文章究竟讲了什么问题？
遮挡下鲁邦的面部表情识别

2.这是否是一个新的问题？
不是

3.这篇文章要验证一个什么科学假设？
去除遮挡的面部特征，以及对特征图进行分块能够提高遮挡下的表情识别鲁棒性

4.有哪些相关研究？如何归类？谁是这一课题在这领域值得关注的研究员？
a) Y . Li, J. Zeng, S. Shan, and X. Chen. Patch-gated CNN for occlusion-aware facial expression recognition. In 2018 24th International Conference on Pattern Recognition (ICPR), pages 2209–2214. IEEE, 2018.
b) K. Wang, X. Peng, J. Yang, D. Meng, and Y . Qiao. Region attention networks for pose and occlusion robust facial expression recognition. IEEE Transactions on Image Processing, 2020.

5.论文中提到的解决方案之关键是什么？
a)landmark-guided注意力分支，引导网络学习非遮挡区域的特征
b)面部区域分支，学习局部区域的特征，补充上下文特征

6.论文中的实验是如何设计的？
在多个挑战数据集以及真实世界遮挡数据集进行对比实验，包括ablation实验

7.用于定量评估的数据集是什么？代码有没有开源？
RAF, AffectNet, Occlusion-AffectNet, Pose-AffectNet,FED-RO, FERPlus, Pose- FERPlus, Occlusion –FERPlus

8.论文中的实验及结果有没有很好地支持需要验证的科学假设？
有

9.文到底有什么贡献？
a)landmark-guided注意力分支，引导网络学习非遮挡区域的特征
b)面部区域分支，学习局部区域的特征，补充上下文特征
c)提出OADN处理遮挡下的面部表情识别

10.有什么工作可以继续深入？
文中所提方法，包括一个非遮挡区域的判断，以及一个全局特征图的分块。
a)遮挡部分的特征图直接设置为0是否可靠，设置低值是否更好。
b)对于遮挡下的微表情识别具有一定指导意义