Data-Efficient AU-Graph Transfer Learning for Consumer-Camera Pain-Aware Sensing

doi:10.1109/mce.2026.3723599

Data-Efficient AU-Graph Transfer Learning for Consumer-Camera Pain-Aware Sensing

2026-08-14

0

PRE

AI

DOI：10.1109/mce.2026.3723599

原文链接

原文求助

摘要

En 中文

消费级相机被广泛用作日常感知接口。然而，为这些面向消费者的场景开发稳健的人工智能仍然具有挑战性，因为高质量的有标签面部数据通常稀缺、不平衡、弱监督以及人口统计特征不完善。本文提出了一种数据高效的人脸疼痛感知AU-Graph迁移学习框架。该框架不将面部疼痛估计视为纯粹的医学识别任务，而是从DISFA中转移结构化的面部动作单元（AU）知识，利用基于SynPAIN的合成预训练引入疼痛相关和人口统计变量的多样性，并通过辅助AU图监督将模型适应到有限的目标领域。通过将AU表示为图节点并建模它们的关系依赖性，该框架为不完善数据下值得信赖的面向消费者的感知提供了可解释的中间表示。在固定的UNBC折-1协议下，基于DISFA的AU-Graph迁移提高了宏F1分数，优于相应的骨干网络。SynPAIN被用于检验合成数据源的迁移性和子群体行为。

Keyword:

Pain

Modeling

Labeling

Protocols

Permission

Weighted sum model

Frequency modulation

Educational institutions

Cameras

Faces

Data-Efficient AU-Graph Transfer Learning for Consumer-Camera Pain-Aware Sensing

摘要

期刊

机构

引用论文