俞 成，姚 瑤，張青山，宋晨陽，姜代紅

（徐州工程學(xué)院 信電工程學(xué)院，江蘇 徐州 221018）

0 引言

人的表情包含信息。心理學(xué)家A.Mehrabia的研究[1]表明，人類有高興、生氣、吃驚、恐懼、厭惡和悲傷六種基本表情。

人臉表情識別是個困難的問題，光線變換、物體遮擋是普遍的阻礙。傳統(tǒng)表情識別領(lǐng)域中的成果很多，但傳統(tǒng)方法直接依賴于人工提取的特征，受到成像姿勢、物體遮擋、光照變化等因素的影響，算法的魯棒性和精度仍有升的空間。

近年的深度學(xué)習在圖像識別方面進展很大。GAN模型[2]有很廣闊的前景。牛津視覺幾何組的VGG模型[3]，將 Top-5錯誤率降低到 7%的水平。GoogLeNet（Inception）[4]將錯誤率降低到了4.8%。同時，網(wǎng)絡(luò)深度的增加使梯度消失、梯度爆炸等問題讓人們不得不作出更多改變。

因此，本文提出一個新的算法，該算法融合殘差塊單元（Residual Block）、反殘差塊單元（Inverted Residual Block）進行對人臉表情的識別。算法先進行圖像增強，緩解數(shù)據(jù)集規(guī)模小的問題，再通過Dropout等技術(shù)，盡可能減少過擬合、梯度爆炸和梯度消失等問題，并通過實驗對新方法進行有效性驗證。

1 數(shù)據(jù)集與預(yù)處理

人臉表情數(shù)據(jù)庫規(guī)模較小，使用場景不復(fù)雜。人臉數(shù)據(jù)集僅對笑與不笑標記，而且笑容本身使用的肌肉較多，特征明顯。

本文使用Fer2013數(shù)據(jù)集，同時使用FER+（即FER Plus）[5]數(shù)據(jù)集標簽進行多標簽學(xué)習。表情識別，其實是多標簽分類任務(wù)，本質(zhì)上是從N個標簽中選中 n個（n≤N），因為一個人可以既哭又笑。該數(shù)據(jù)集圖片分辨率為 48*48*1，場景比在實驗室錄入的更加多變，而低分辨率和單通道圖像增加識別難度。

Fer2013+數(shù)據(jù)集標簽分為中性，幸福，驚喜，悲傷，憤怒，厭惡，恐懼，輕蔑，未知，NF。其中，NF是指圖像非人臉。

圖1 Fer2013+多標簽樣例Fig. 1 Fer2013 + multi-label sample

在圖像增強方面，采用旋轉(zhuǎn)0.2，裁剪0.2，允許水平翻轉(zhuǎn)和最近填充的模式擴充數(shù)據(jù)，而后，將所有圖像歸一化。

2 殘差塊單元

傳統(tǒng)深層CNN不能將梯度高效傳遞，而殘差網(wǎng)絡(luò)顯著提高網(wǎng)絡(luò)反向傳播的能力，緩解梯度彌散和梯度爆炸問題，阻止深層神經(jīng)網(wǎng)絡(luò)的退化，加快收斂，并且能夠有效提升更深層的學(xué)習能力。它的基本單元是殘差塊，殘差塊包含一條捷徑，捷徑能跨層傳遞信息，從而提高反向傳播的效果。殘差塊定義：

就是捷徑。殘差塊最終通過壓縮——提取特征——擴張來完成特征提取。

若比例系數(shù)λ非1，則會出現(xiàn)兩種情況：（1）λ>1，越淺層疊得梯度越大，于是梯度爆炸。（2）λ<1，越淺層疊得的梯度越小，隨著層數(shù)增加，漸趨于 0，這就是殘差網(wǎng)絡(luò)出現(xiàn)前，難以堆疊深層網(wǎng)絡(luò)的原因：訓(xùn)練太困難了。

綜上，比例系數(shù) λ只能為 1，捷徑不包含激活層。那么在多層卷積堆疊的位置，激活函數(shù)的是否或如何使用的問題，而殘差網(wǎng)絡(luò)原文[6]中通過實驗得到了解答。

構(gòu)建殘差網(wǎng)絡(luò)需要權(quán)衡精度和復(fù)雜度，本文使用ResNet-50。具體原因見表1。Model top-1 err. top-5 err.

表1 基于ImageNet驗證集的錯誤率Tab.1 Error rate based on ImageNet verification set

ResNet-50實驗數(shù)據(jù)見下圖。模型準確率穩(wěn)定在80%附近，驗證集 loss波動約 0.007較穩(wěn)定，肯定了殘差塊的作用。但模型有過擬合的跡象。

圖2 ResNet-50在Fer2013+上的實驗結(jié)果Fig. 2 Experimental results of ResNet-50 on Fer2013+

3 反殘差塊單元

標準的卷積層用卷積核 K∈ Rk×k×di×dj對形狀為 hi× wi× dj的輸入張量卷積，輸出形狀為hi×wi×dj的向量 Lj，計算量為 hi? wi? di? dj?k? k。而深度分離可卷積將一個完整的卷積操作分割成 DW 卷積，和緊接著的 PW 卷積（1×1卷積）層。深度分離可卷積效果與標準卷積幾乎一致，而算力耗費卻降 至 hi? wi? di( k2+ dj)。

反殘差塊先升維后降維。其操作由3個步驟組成：F (x ) = [A ? N ? B] x 。其中，A和B為線性變換，而 N是非線性逐層變換，實際使用中，N=ReLU6?DW?ReLU6。

下面，就反殘差塊能否減輕遷移學(xué)習的需求而言，進行 MobileNet[7]上遷移學(xué)習和 MobileNetV2[8]上遷移學(xué)習的能力比較，圖3就這兩個差距進行對比，圖中橙色為遷移學(xué)習MobileNet，藍色為非遷移學(xué)習MobileNet，紅色為遷移學(xué)習MobileNetV2，綠色為非遷移學(xué)習MobileNetV2?？梢娺w移學(xué)習網(wǎng)絡(luò)學(xué)習更快，MobileNet過擬合傾向更嚴重，并再次肯定了MobileNetV2的表現(xiàn)非常穩(wěn)定這一結(jié)論。非遷移學(xué)習讓MobileNetV2過擬合得到抑制，卻讓MobileNet過擬合情況更加嚴重，這可能是參數(shù)數(shù)量與數(shù)據(jù)集規(guī)模不匹配，也可能是隨機權(quán)重初始化的問題。從驗證集acc看，Mobile-NetV2對遷移學(xué)習需求低于MobileNet，但是需求降低不多，且未能排除隨機權(quán)重初始化的影響，需要正則化等應(yīng)對過擬合的調(diào)整。

圖3 MobileNet遷移學(xué)習和MobileNetV2遷移學(xué)習差距對比Fig.3 The difference between transfer learning on MobileNet and transfer learning on MobileNetV2

反觀 ResNet-50網(wǎng)絡(luò)對遷移學(xué)習的需求，見圖4。圖中灰色表示遷移學(xué)習 ResNet-50，藍色表示非遷移學(xué)習ResNet-50。

圖4 ResNet-50遷移學(xué)習與否的對比Fig.4 Comparison of ResNet-50 transfer learning

再次驗證了遷移學(xué)習能加大擬合速度，卻也加大了過擬合傾向。從長遠角度看，ResNet-50可能完全不需要遷移學(xué)習，這反而能夠讓模型表現(xiàn)更加出色。此外，遷移學(xué)習的效果可能與網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習能力有密切關(guān)系。遷移學(xué)習可能更加適合使用中等規(guī)模的多樣化數(shù)據(jù)集中——數(shù)據(jù)集規(guī)模越大，越不需要遷移學(xué)習；遷移學(xué)習所用數(shù)據(jù)集規(guī)模越小，過擬合傾向越明顯。

4 正反殘差網(wǎng)絡(luò)

基于上面殘差塊與反殘差塊的實驗結(jié)果對比，本文推出了幾種正反殘差塊網(wǎng)絡(luò)。

正反殘差塊互相穿插的正反殘差網(wǎng)絡(luò)測試結(jié)果見圖 5。圖中紅色為未正則化的穿插式正反殘差網(wǎng)絡(luò)，圖中灰色為帶雙0.3 Dropout層正反殘差網(wǎng)絡(luò)，圖中亮藍色為ResNet-50，圖中深藍色為MobileNet，圖中綠色為MobileNetV2。

圖5 穿插式正反殘差網(wǎng)絡(luò)與其它網(wǎng)絡(luò)對比圖Fig.5 Comparison of overlapping positive and negative residual networks with other networks

圖6 非穿插式正反殘差網(wǎng)絡(luò)對比Fig.6 Contrast of positive and negative residual networks without overlapping

穿插式正反殘差網(wǎng)絡(luò)正確率均優(yōu)于 ResNet-50網(wǎng)絡(luò)，但是，使用雙0.3 Dropout層的網(wǎng)絡(luò)卻略過擬合，且正確率低于未使用 Dropout層的網(wǎng)絡(luò)?？赡蹹ropout在穿插網(wǎng)絡(luò)中生成的噪音干擾了反殘差塊的低維信息留傳。不過，表現(xiàn)都略優(yōu)于已有模型。

基此，將正反殘差塊的相對位置重新設(shè)計了：MR正反殘差網(wǎng)絡(luò)數(shù)據(jù)先流入多反殘差塊，再流入多殘差塊；RM正反殘差網(wǎng)絡(luò)數(shù)據(jù)先流入多殘差塊，再流入多反殘差塊。實驗見圖 6。圖中橙色為使用雙0.3 Dropout層的RM正反殘差網(wǎng)絡(luò)，藍色為使用雙0.3 Dropout層的MR正反殘差網(wǎng)絡(luò)，粉色為無正則化RM正反殘差網(wǎng)絡(luò)，綠色為無正則化MR正反殘差網(wǎng)絡(luò)。

即使不使用遷移學(xué)習，非穿插式正反殘差網(wǎng)絡(luò)其擬合需要的輪數(shù)也基本維持在 ResNet-50和MobileNetV2水平，在200-250個epoch時，模型基本擬合到位。其次，MR和RM網(wǎng)絡(luò)都展示出繼承而來的過擬合抑制特性，且顯露出了類似 ResNet的準確度更高的特性，保持了訓(xùn)練和測試的穩(wěn)定性。其中，使用雙Dropout層的RM正反殘差網(wǎng)絡(luò)擬合所需輪數(shù)，準確性最佳，loss最低。RM正反殘差網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。

5 實驗結(jié)果

實際上，驗證集上表現(xiàn)好，不代表真實水平，最后在測試集上的表現(xiàn)，才能反映出模型算法的真實水平，見表3。

表3 不同網(wǎng)絡(luò)在測試集上的準確度與損失比較Tab.3 Comparison of ACC and loss of different networks on test sets

帶雙Dropout層RM正反殘差網(wǎng)絡(luò)擬合所需輪數(shù)，準確性最佳，loss最低，獲得了驗證集準確率接近84%的優(yōu)秀成績。

6 結(jié)束語

本文介紹了國內(nèi)外人臉表情識別研究現(xiàn)狀，提出基于正反殘差塊的人臉表情識別算法。實驗結(jié)果表明，該算法同時繼承ResNet和MobileNetV2的優(yōu)秀特性，準確率高，抑過擬合能力強，識別效果好。后續(xù)可以研究遷移學(xué)習的RM正反殘差網(wǎng)絡(luò)，和對網(wǎng)絡(luò)結(jié)構(gòu)的進一步優(yōu)化。