Facial Expression Recognition by De-expression Residue Learning
Key：残余表情识别算法（DERL）
Why？
1.现在的大部分研究关注的都是光照，姿态，遮挡等对表情识别的影响。作者关注的是个体差异。（目的：缓和个体特征的影响并提高面部表情识别能力）
2.人类有能力去识别面部表情通过比较表情脸和中性脸。即，一个人脸表情可以用表情和中性脸组成。
3.中性脸可能不能经常获得
Advantage：
新方法。缓和个体特征的影响并提高面部表情识别能力有能力处理无意识的表情、姿势表情、变化类型和种族背景等情形。成功地提高了单数据集的识别能力，在交叉验证数据集上也比最先进的方法表现好。
（交叉验证：在训练模型前将所掌握的数据进行划分，严格来说一般会划分为训练集、验证集和测试集，在训练集上进行训练模型，在验证集上试验效果、调整参数设置，在测试集上进行最终的测试。8：1：1）
How？
通过cGAN训练一个生成模型。这个模型对于任何输入的人脸图片生成大致相当的中性脸。（生成器G中保存有residue（精准的表情成分）,用于训练学习）
（1）cGAN
CGAN的提出使得GAN可以利用图像与对应的标签进行训练，并在测试阶段 利用给定标签生成特定图像。
·原始的GAN的生成器的问题：标签是什么我们无从得知。
·CGAN的主要贡献就是在原始GAN的生成器与判别器中的输入中加入额外信息（标签）。
生成器G，判别器D。
在CGAN中的生成器G，我们给定一个输入信息和额外信息，之后将两者通过全连接层连接到一起作为隐藏层输入。同样地，在判别器D中输入图像和额外信息也将连接到一起作为隐藏层输入。
通过G生成尽量服从真实数据的样本G（z）
D用来判别输入样本是真实数据x or 生成数据G（z）。最优状态D=0.5
2.第二部分是学习residue，然后进行表情分类。
3.本方法在两个带有表达式BU-4DFE和自发表达式BP4D的数据库用于预训练（数据增强仅适用于预训练）。
在五个公共面部表情数据库上进行评估，包括CK + ，OuluCASIA ，MMI 和BU-3DFE，以及自发表达数据库BP4D+。
损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。
从评估结果中发现，使用DERL取得比较好的结果
