본 논문에서는 보이지 않는 도메인에서 얼굴 표정 인식(Facial Expression Recognition, FER) 모델의 범용성을 향상시키기 위한 새로운 접근법인 DIRE(Domain-Invariant Representation Learning for Expression)를 제안한다. 전통적인 FER 모델은 학습 데이터셋과 테스트 데이터셋 간의 분포 변화(distribution shift)에 자주 취약하여 성능이 크게 저하된다. 단일 소스 도메인 일반화(Single-Source Domain Generalization) 개념에 기반하여, 의미적 일관성을 보존하면서 도메인 변이적 영역(domain-variant regions)에 대해 픽셀 수준 및 특징 수준의 교란(perturbations)을 적용하는 새로운 도메인 증강 기법을 도입한다. 또한 얼굴 표정이 도메인 불변 특징(domain-invariant features)으로 효과적으로 표현될 수 있도록 의미 정렬(semantic alignment) 정규화 및 도메인 정보 최소화(domain information minimization) 손실을 통합한다. 다수의 FER 데이터셋에 대해 수행한 광범위한 실험 결과, 본 방법은 단일 소스 도메인에서 학습하더라도 다양한 대상 도메인에 걸친 일반화 성능을 유의미하게 향상시키는 것으로 나타났다. 제안된 DIRE 접근법은 실제 환경의 FER 과제에서, 보이지 않는 도메인에 대한 일반화 가능성이 필수적인 상황에 적용 가능한 견고한 해결책을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.