AU R-CNN：利用专家先验知识进行表情运动单元检测的R-CNN模型

©PaperWeekly 原创 · 作者｜Chen Ma

学校｜清华大学

研究方向｜人脸识别和物体检测

这篇论文率先利用先验知识和物体检测技术做 Action Unit 人脸表情识别，在 BP4D 和 DISFA 两个数据库达到了 SOTA 的实验结果：BP4D 数据库的 F1 score 63%。

论文标题： AU R-CNN: Encoding Expert Prior Knowledge into R-CNN for action unit detection

论文链接： https://arxiv.org/abs/1812.05788

代码链接： https://github.com/sharpstill/AU_R-CNN

介绍

FACS (Facial Action Coding System) 是人脸国际标准组织定义的 44 种人脸运动单元（AU），这些运动单元可以组合表示人脸表情所有可能的表情（包含皱眉，抿嘴等），AU 是组成人脸表情的基石。

本论文中所谓的人脸 AU 检测的任务是指：识别一段视频中每一帧图像的人脸上出现哪些 AU。因为 AU 只是面部肌肉的细微运动，而且不同的面部肌肉运动幅度大小不同，所以 AU 检测任务具有挑战性。AU 检测在测谎仪、汽车驾驶辅助系统（探测是否驾驶员瞌睡）等有重要应用。

▲ 图1. Action Unit 的例子

图 1 是 Action Unit的例子，关于 Action Unit 的表情到底定义了怎样的细微的面部表情。以下链接 提供了动画演示，读者可以自行观看。

https://imotions.com/blog/facial-action-coding-system/

总结一下已有方法的缺点：

1. 已有的方法虽然提出了 AU center 的概念作为 AU 发生的重要区域，并被定义为人脸关键点的附近，这种定义粗糙而位置不精确。AU 发生在人脸肌肉运动的特定区域，但不一定是某个 landmark 附近。

2. 已有的研究使用 CNN 去识别整张脸的图像，而非局部区域的 AU。

3. 人脸 AU 识别是一个多 label 的分类问题，这种多 label 的约束可以被限制在更细的粒度上：人脸的局部区域上，从而达到更高的精度。

方法

AU R-CNN 的方法框架如图 2 所示，AU 检测最困难之处在于人脸的五官大小不定，每个人长相不同，而且发出的表情的位置也不相同，这种难题之下如何检测呢？

本文站在前人的肩膀上，利用人脸关键点！人脸关键点提供了丰富的人脸位置信息，若能充分利用，则消除了五官的差异，更能细微精确地检测 AU。所以该框架首先将人脸划分成不同的区域，每个区域独立地进行检测，如图 2 所示：

▲ 图2. AU R-CNN方法的整体概览框架

首先用 landmark 将人脸的 68 个关键点定位，再依照不同区域 ROI 独立检测，最后将每个 ROI 的检测汇总，便得到了全脸的检测结果！

▲  图3. 关键点和面部分割图

为了利用这些关键点的信息和 AU 的定义，本文引入了专家先验知识的概念，AU R-CNN 方法将 AU 与其相关的人脸区域的划分定义为专家知识，提出了 AU partition rule 的规则。该规则如表 1 所示：

▲  表1. AU partition rule（也即专家先验知识）

AU partition rule 将不同的 AU 分组，同一个位置区域发生的 AU 被分为一组，比如都是眼睛部位的 AU，所以诞生了 AU group 的概念。（表 1 左），由此全脸被划分成九个区域，每个区域是一组 ROI 表示，最后本文使用该 ROI 的最小外包矩形来表示该 AU group 区域，如图 4 所示。

图4. AU group和其外包矩形，之后这些矩形被送入R-CNN的检测头

另外一个难题在于即使同一个区域也可能发生多个 AU 的表情出现，因此本文使用了 sigmoid cross entropy 的损失函数来计算损失并反向传播优化网络参数：

图5. AU R-CNN 整体网络结构图，左侧由先验知识截取出不同区域的 bounding box，右侧是检测头去分别检测，与此同时，ground-truth label 也被按照不同区域分割了，最后计算 sigmoid cross entropy 损失

AU R-CNN扩展

AU R-CNN 可以被作为一个基础框架产生出来很多扩展和变种，这是由于视频的先后帧之间有时间顺序关系，所以可以使用 ConvLSTM 建模先后帧之间的关系。如下图所示，每个部位的小 box 被单独的时间轴建模，用一个独立的 ConvLSTM 去建模并学习。

但是在具体实验中，作者发现这种利用上下帧的建模方法效果不是很好，甚至总体的平均 F1 score 不如单帧检测。作者在实验部分也分析了其中的原因。

另外除了 ConvLSTM 这种时空卷积，还可以使用双流法等其他方法进行扩展，总体如下表：

实验

实验在 BP4D 和 DISFA 两个数据库上进行，该文的实验部分值得称道的一点是，作者采用了标准的 AU R-CNN，并在 ResNet-101 和 VGG-16、VGG-19 几个网络上进行测试：

实验结果如下，可以看到 AU R-CNN 结合 ResNet-101 的 backbone 取得最佳的实验结果：

剥离实验中，主要探究这种局部检测到底比标准的 CNN 那种全脸检测效果好多少，所以在不同分辨率下与标准 CNN 也进行了比较：

DISFA 数据库都是连续的表情视频，实验结果如下：

最后，作者总结了不同的 AU R-CNN 扩展及其适用范围：

总结

在本文中，作者研究了如何将先验知识融合进 R-CNN 这种物体检测框架，并使用 RoI pooling 层在每个位置分别检测，丰富的实验证明了该做法的有效性，也取得了 State-of-the-art 的实验结果。

点击以下标题查看更多往期内容：

• 变分推断（Variational Inference）最新进展简述

• 变分自编码器VAE：原来是这么一回事

• 图神经网络三剑客：GCN、GAT与GraphSAGE

• 如何快速理解马尔科夫链蒙特卡洛法？

• 深度学习预训练模型可解释性概览

• ICLR 2020：从去噪自编码器到生成模型

:mag:

现在，在 「知乎」 也能找到我们了

进入知乎首页搜索 「PaperWeekly」

点击 「关注」 订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击 「交流群」 ，小助手将把你带入 PaperWeekly 的交流群里。