CVPR2023｜Micron-BERT: 基于BERT的人脸微表情识别

导读

微表情识别是情感计算中最具挑战性的课题之一。它的目的是识别人类难以在短时间内（0.25到0.5秒）感知到的微小面部运动。然而，针对视觉问题，现有方法中的标准 BERT 只能从完整的图像或视频中学习，该架构不能准确地检测面部微表情的细节。

本文提出了一种新的面部微表情识别方法— Micron-BERT（µ-BERT）。该方法基于两个关键思想，首先，采用对角微注意力（DMA）来检测两帧之间的微小差异。其次，引入新的感兴趣区域（PoI）模块，以定位和突出微表情感兴趣区域，并同时减少噪声背景和干扰。通过将这些组件结合到端到端的深度网络中，提出的 µ-BERT 在各种微表情任务中显著优于以前的所有工作。

本文将对 μ-BERT 进行解读，团队还提供了预训练的 Micron-BERT 模型，未来还将开放完整的训练模型。μ-BERT可以在大规模未标记数据集（高达8百万张图像）上训练，并在未见过的面部微表情数据集上实现高精度的效果。要在微表情数据库上微调 Micron-BERT，请参考：https://github.com/uark-cviu/Micron-BERT/blob/main/micron_bert.py

基本概念

面部表情是针对给定刺激的有意识反应的复杂混合物。它们涉及到经验、行为和生理元素。

一般来说，面部表情问题可以分为两大类，宏表情（macro-expression），和微表情（micro-expression）。

两者之间的主要区别是面部表情强度和持续时间：持续时间小于0.5秒的表情，通常称为微表情（转瞬即逝）；与之相对的，持续时间稍长的表情，在1s~5s之间，称为宏表情。能够持续5s~10S的宏表情非常罕见，但若真出现了，必然表示情绪相当强烈，可能伴有声音，比如笑、哭、咆哮等。

由于微表情很难通过人眼观察，通常来说，捕捉所需的视频帧需要一个每秒200帧/秒（FPS）的高速摄像机。

动机

BERT在视觉问题的局限性

首先，在视觉问题中，BERT的局限性主要在于其分词步骤。在自然语言处理领域，一个标记（token）通常对应一个单词。但在视觉问题中，许多图像或图像块可以共享相同的标记，只要它们具有相同的内容。这种多对一的映射关系会导致BERT在视觉问题中的应用受到限制。此外，标准BERT在视觉问题中只能从完整的图像或视频中学习，无法准确检测面部微表情的细节。因此，需要针对视觉问题进行改进，以更好地适应视觉任务的特点。

其次，标记器DALLE不够健壮，无法将类似的上下文映射到标记上。He 等人 [9] 提出了一种利用BERT框架的蒙面自动编码器（MAE）。它不是对图像进行标记，而是通过随机蒙版策略消除图像的块，并将这些蒙版块的上下文重建为原始内容。虽然这种方法可以避免使用标记化器，但它只考虑图像中的上下文。因此，它不适用于微表达，这需要理解来自连续视频帧的语义信息。因此，本文提出了µ-BERT来解决这些局限性。

本文贡献

本文提出一种新的微表情识别方法Micron-BERT（μ-BERT）。该方法基于两个关键思想：

• 采用对角微注意力（Diagonal Micro Attention，DMA）来检测两个连续视频帧之间的人的面部表情的微小差异。该组件试图理解连续视频帧的语义信息，解决标记器 DALLE 无法将类似的上下文映射到标记上的问题。

• 引入新的感兴趣区域（Patch of Interest，PoI）模块，以定位和突出微表情感兴趣区域，并同时减少噪声背景和干扰。该组件试图学习图像的关键局部特征，以扩展 BERT 在微表情识别问题中的应用。

通过将这些组件结合到端到端的深度网络中，提出的 μ-BERT 实现了 SOTA 结果，在各种微表情任务中显著优于以前的所有工作。

相关工作

在计算机视觉领域，对ME的研究可以分为两个主要任务：spotting 和recognition。即微表情定位（Micro-Expression Spotting，MES）和微表情识别（Micro-Expression Recognition，MER）两类。

• 微表情定位：确定微表情在视频中的位置
• 微表情识别：确定检测到的微表情的情感类别

对于微表情定位，Li等人[16]采用了空间通道注意力网络来检测微表情动作单元。Tran等人[39]试图通过SMIC-E数据库和评估协议进行标准化。MESNet [43]引入了一种基于CNN的方法，包括(2+1)D卷积网络、剪辑建议和分类器。

对于微表情识别，Ling等人[11]提出了一种学习面部图形表示的新方法，使得这些微小的运动能够被观察到。Kumar和Bhanu [31]利用了地标点和它们的光流块（optical flow patch）之间的联系，并实现了对CASME II和SAMM（SOTA）的方法的改进。

本文方法

1. 将原始图像 It∈R^HxWxC划分为若干个不重叠的块

其中，H、W、C分别为通道的高度、宽度和数量

2. µ-Encoder

每个块pi被投影到一个维数为d的隐藏向量（latent vector）中，表示为，一个图像可以表示为：

我们把µ-Encoder看作由一系列连续的块的组成，记为 ε，每个块包含多层多头注意（MHA）和多层感知器（MLP），在输入MHA和MLP之前，进行层归一化（Layer Norm，LN）：

其中，Le是 ε 中的块的数量。给定Zt，输出隐藏向量 Pt 的表示

Eqn.(4)表示将图像It表示为Zt，经过Encoder编码为隐藏向量  ε(Zt)

3. µ-Decoder

本文所提出的自编码器是对称的设计。这意味着解码器部分（表示为 D）与编码器 Ε 具有相似的结构。给定一个潜在向量Pt，解码信号 Qt 表示为：

添加一个线性层来将 Qt 插值到一个中间信号 yt

4. Blockwise Swapping 块交换

• 随机交换两帧之间的部分块,得到一个新的特征It/s

• 让模型能注意到变化，解码器能够将It/s重构回It

具体来说，Blockwise Swapping将两帧图像分成若干个块，然后随机交换这些块，从而生成一组新的图像对。这些新的图像对包含了原始图像中的微小运动信息，可以用来训练模型以更好地识别微表情。通过Blockwise Swapping，模型可以学习到更多的局部特征，从而提高对微表情的识别准确性。

5. 对角微注意力（DMA）

DMA通过计算两帧图像之间的光流向量，得到面部微小运动的信息。然后，它将这些向量用于注意力机制中，以帮助模型更好地关注面部微小运动的变化。通过DMA，模型可以学习到连续视频帧之间更多的微小运动变化，从而提高对微表情的识别准确性。

6. Patch of Interest (POI)

理想情况下，我们希望图 4 中交换的黄色块位于面部中心处，而不是那些背景部分。因此，本文引入感兴趣块（POI)来自动探索突出区域，而忽略图像中的背景斑块。

Agreement loss 通过比较两帧图像之间的上下文特征，来确定它们之间的相似性：

POI 可以从编码器 E 的最后一个注意层的注意图 A 中提取出来。我们衡量：

其中

权重越高表示这个块包含的上下文信息越多，与面部相关性越高

7. 损失函数

损失函数为：

其中，Lr 利用均方误差（MSE）函数将解码器 y‘t 的输出重建为原始图像 It：

Lagg 为上下文协议损失，MSE 也被用于加强的上下文特征的相似性。

实验

实验结果

提出的µ-BERT与之前的方法和基线相比有了显著的改进。表格1-4是所提方法在四个数据集上达到了SOTA结果。

消融实验

• 三种自监督方法（MoCo V3、BEIT和MAE）在 CASME 上进行微调前经过预训练，得到了更好的结果。

• 仅使用 Blockwise Swapping 的方法比 MAE 在性能方面提高了2个百分点，Blockwise Swapping 的作用：

  • 强制模型学习图像内部的局部上下文特征
  • 帮助网络识别两帧之间的微小差异

• 从表 6 可以看出 DMA 和 POI 组件都具有更大的贡献

  • DMA 通过关注不同帧之间的微小差异，告诉网络应该关注哪些图块。
  • POI 被设计为一个过滤器，它只允许属于该图像的面部块通过，只保留微表情相关的特征。与MB2相比，高达6%的改善表明了POI在µ-BERT的微表情任务中的重要作用。

结论

1. 本文探索了如何用 BERT 预训练来学习面部微小的变化，提出了μ-BERT。

2. 提出了一个对角注意力模块 DMA 来学习帧间的动作变化。

3. 提出感兴趣块模块POI引导模型关注关键图块，忽略背景的噪声敏感性。

局限性

不同光照条件下的鲁棒性：本文已经证明 POI 模块对于消除背景影响的有效性，但是有的背景噪声对光照十分敏感。当没有动作发生，且图片受到光照的影响，这些噪声因素也可能作为微差异特征，这些微差异特征与任务无关。未来工作是探索在不同的照明条件下的健壮性。