【论文阅读】Deep Facial Expression Recognition with Occlusion Regularization

1.这篇文章究竟讲了什么问题？
利用遮挡正则化增强方法，提高面部表情识别精度和鲁棒性
2.这是否是一个新的问题？
不是新问题
3.这篇文章要验证一个什么科学假设？
利用遮挡的数据集进行训练CNN模型，能够提高面部表情识别精度和鲁棒性
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？
遮挡下的面部表情识别：
Li, Y., Zeng, J., Shan, S., Chen, X.: Occlusion aware facial expression recognition using CNN with attention mechanism. IEEE Trans. Image Process. 28(5), 2439–2450 (2018)
增强方法：
a)Bengio, Y., et al.: Deep learners benefit more from out-of-distribution examples. In: Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics, pp. 164–172 (2011)
b) LeCun, Y., Bottou, L., Bengio, Y., Haffner, P., et al.: Gradient-based learning applied to document recognition. Proc. IEEE 86(11), 2278–2324 (1998)
c) Lemley, J., Bazrafkan, S., Corcoran, P.: Smart augmentation learning an optimal data augmentation strategy. IEEE Access 5, 5858–5869 (2017)
d) Lin, F., Hong, R., Zhou, W., Li, H.: Facial expression recognition with data augmentation and compact feature learning. In: 2018 25th IEEE International Conference on Image Processing (ICIP), pp. 1957–1961. IEEE (2018)
e) Sárándi, I., Linder, T., Arras, K.O., Leibe, B.: Synthetic occlusion augmentation with volumetric heatmaps for the 2018 ECCV posetrack challenge on 3D human pose estimation. arXiv: 1809.04987 (2018)
f) Ioffe, S., Szegedy, C.: Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv: 1502.03167 (2015)
g) Hinton, G.E., Srivastava, N., Krizhevsky, A., Sutskever, I., Salakhutdinov, R.R.:Improving neural networks by preventing co-adaptation of feature detectors.arXiv: 1207.0580 (2012)
5.论文中提到的解决方案之关键是什么？
采用黑块，以及两个目标随机遮挡，来训练CNN模型

6.论文中的实验是如何设计的？
对三个数据集，对三种方法分别采用不同大小的黑块遮挡增强来训练算法，进行比较
采用目标遮挡的方法再重新测试一次
与sota方法进行比较

7.用于定量评估的数据集是什么？代码有没有开源？
Bosphorus, RAF, AffectNet,没有
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.这篇论文到底有什么贡献？
提出一种遮挡增强提高识别精度的方法

10.下一步呢？有什么工作可以继续深入？
a)借鉴到对微表情数据集进行遮挡
b)VR眼镜仿真遮挡测试