MicroExpSTCNN and MicroExpFuseNet-基于三维时空卷积神经网络的自发面部微表情识别

3D卷积(w x h x d)=空间卷积(图片w x h)+时间卷积(相邻d帧)
原文链接：https://arxiv.org/pdf/1904.01390v1.pdf

解决问题：

传统方法：
传统的基于手工特征的微表情分析方法包括时空局部二值模式（LBP）、LBP-TOP 、定向平均光流特征等。然而，这些方法的主要缺点是从视频提取的大多是表面信息，缺乏抽象特征表示的信息。

从文献综述中，我们可以观察到，手工设计的特征在鲁棒性和准确性方面都有局限性。

深度学习方法：
这些方法通常使用CNN来提取每一帧的空间特征，并馈送给RNN来编码表达视频中各帧之间的时间相关性。因此，这些方法不能同时编码视频特征之间的时空关系。为了克服现有技术的局限性，我们提出了两种三维CNN模型（MicroExpSTCNN和MicroExpFuseNet网络），通过在视频上应用三维卷积操作同时提取时空信息。

人们已经努力使用两步深度学习架构对微表情进行分类。在这种典型的两步模型中，第一步使用卷积神经网络（CNNs）在微表情视频的每一帧上提取空间特征。在第二个步骤中，将空间特征以相同的顺序输入一个基于长短期记忆（LSTM）的递归神经网络（RNN），以学习帧之间的时间相关性。这些方法无法更准确地学习时空关系。

如Satya等人，分别使用双流CNN来学习空间和时间特征。将空间和时间特征连接起来，得到最终的单一特征向量，用于SVM分类器的分类。Peng等人使用从每一帧获得的光流序列作为三维CNN架构的输入，对微表情进行分类。三维CNN在微表达识别方面的使用仍然很有限，并且使用了光流等额外的信息。

主要方法：

提出两个3维时空CNN：利用三维卷积核进行卷积运算，利用三维卷积层提取时空特征。与2D-CNN只在空间方向上使用卷积相比，3D-CNN也在时间方向上使用卷积。三维池化层在保留重要特征的同时，逐步降低了三维卷积层的维度输出，三维池化层在一个小的时空窗口中选择最佳的特征表示。MicroExpSTCNN和MicroExpFuseNet模型的输入尺寸分别为64 x 64 x 96和32 x 32 x 96。

①MicroExpSTCNN模型中的全脸区域来识别微表情，发现嘴区域和其他一些区域，如面颊可以描述识别的关键线索。
MicroExpSTCNN模型的输入维数为w x h x d，其中w和h固定为64，d的值依赖于所使用的数据集。MicroExpSTCNN模型由3D卷积层、3D池化层、全连接层、激活函数和退出层组成。

②MicroExpFuseNet网模型将眼睛和嘴巴两个区域被用作两个独立的3D时空CNN的输入，最后被融合成一个单一的网络。(DLib人脸检测器裁剪眼睛和嘴巴的区域)

基于不同的融合策略(在不同的阶段融合)：中期MicroExpFuseNet 和 晚期MicroExpFuseNet.

中期MicroExpFuseNet

来自两个网络的扁平特征被连接起来形成一个新的向量，融合的特征在分类得分生成之前，再次用Dense层(全连接层)和Dropout层进行处理。

晚期MicroExpFuseNet

特征在最后一个Dense全连接层上融合在一起

在CAS（ME）b2数据集上，中间融合比晚期融合更适合于中间融合。然而，后期融合更适合于SMIC数据集。

创新点：

1>提出了一个能同时提取视频里的表情 spatial and temporal features来进行分类的MicroExpSTCNN模型。用这个模型达到了最好的表现。
2>提出了一个两分支的MicroExpFuseNet model来提取眼睛和嘴巴区域的特征。
3>在3D-CNNs的基础上，在中间和后期混合了嘴巴和眼睛的特征进行实验
4>用salience maps来进行不同脸部特征的影响分析
5>使用了不同大小的3D卷积核来进行实验

效果：

实验在CAS（ME）b2和SMIC微表达数据库上进行。所提出的MicroExpSTCNN模型的性能优于最先进的方法。

实验数据集：(将几个数据集进行28划分，然后合并，得到一个训练集一个验证集)

分类交叉熵损失函数和SGD优化，epochs=100，batch_size = 8.

3D卷积核大小影响

最优的三维内核大小为3 x 3 x 15。结果表明，空间范围小(3x3)、时间范围大(15帧)的卷积核更适合。我们还可以看到，更深的内核(15帧)与更小的过滤器(3x3)一起工作得更好。