蘇渝校

（ 廣東工業(yè)大學(xué)，廣東 廣州510006）

1 概述

隨著近幾年來深度學(xué)習(xí)的快速發(fā)展，唇語識別任務(wù)越來越成為當(dāng)前學(xué)術(shù)界的研究重點。由于唇語識別任務(wù)的困難性，當(dāng)前學(xué)界對于唇語識別的研究普遍集中于單詞級別的唇語識別，該任務(wù)是通過一個講話者的一系列嘴唇圖片，來識別出他/她所講的對應(yīng)詞語。當(dāng)前基于深度學(xué)習(xí)的唇語識別算法大部分以獨熱編碼作為監(jiān)督信號，通過最小化模型輸出與監(jiān)督信號之間的交叉熵來完成訓(xùn)練。這導(dǎo)致唇語識別算法在推理時會遇到如下挑戰(zhàn)：

（1）嘴唇運動的多樣性以及講話者不同的發(fā)音習(xí)慣和語速，都會給識別帶來困難，尤其是對于兩個發(fā)音相近的詞語，如果不能在特征層面上使兩者具備更好的辨別性，那么誤判是很容易發(fā)生的。

（2）由于光照、人臉角度等變化，導(dǎo)致識別時的準(zhǔn)確率受到影響，這要求唇語識別算法需要具有較好的泛化能力。

2 相關(guān)工作

基于深度學(xué)習(xí)的唇語識別方法，根據(jù)其卷積部分對圖像特征的提取方式可以分為全2D 卷積、全3D 卷積（即時空卷積）和2D、3D 卷積混合的方式。在全2D 卷積方面，Noda 等人[1]利用VGGNet 提取嘴唇特征，之后經(jīng)由循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），在特定數(shù)據(jù)集上面實現(xiàn)了44.5%的短語識別準(zhǔn)確率和56.0%單詞分類準(zhǔn)確率。在全3D 卷積方面，Chungg 和Zisserman[2]提出了基于VGG 結(jié)構(gòu)的時空卷積神經(jīng)網(wǎng)絡(luò)，進行單詞的唇語識別，在BBCTV 數(shù)據(jù)集上取得了比傳統(tǒng)唇語識別方法更好的準(zhǔn)確率。在3D 和2D 卷積混合的方式中，Stafylakis 等人[3]結(jié)合了時空卷積網(wǎng)絡(luò)和ResNet34，并使用了Bi-GRU 建模上下文信息，在LRW 數(shù)據(jù)集上識別準(zhǔn)確率是83%。

可以看出，基于深度學(xué)習(xí)的唇語識別方法，算法的主要結(jié)構(gòu)都是由卷積神經(jīng)網(wǎng)絡(luò)來提取圖像初步特征，再由循環(huán)神經(jīng)網(wǎng)絡(luò)建模時序信息，最后使用全連接層進行分類識別，而這些方法都是使用獨熱編碼作為監(jiān)督信號進行訓(xùn)練的。

而當(dāng)前在深度學(xué)習(xí)的一些其它領(lǐng)域的研究當(dāng)中，已經(jīng)提出了一些取代獨熱編碼的監(jiān)督信號。例如，人臉識別領(lǐng)域的最新研究方向是改進監(jiān)督信號來最大化分類空間的決策邊界，近兩年也出現(xiàn)了諸多關(guān)于決策邊界約束的研究成果，這些基于監(jiān)督信號改進的方法可以使得深度網(wǎng)絡(luò)所提取特征在類內(nèi)緊湊，在類間可分，進而提升人臉識別的效果。而在知識蒸餾的研究領(lǐng)域中，近兩年也提出了一些訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的暗知識的方式，相較于常用的基于獨熱編碼的監(jiān)督信號，結(jié)合了暗知識的監(jiān)督信號可以使訓(xùn)練的網(wǎng)絡(luò)具有更強的泛化力。

因此，本文結(jié)合人臉識別領(lǐng)域和知識蒸餾領(lǐng)域的方法，設(shè)計一種增強的監(jiān)督信號，并應(yīng)用到基于3D 卷積的唇語識別算法當(dāng)中，有效提升唇語識別的準(zhǔn)確率。

3 模型介紹

3.1 模型結(jié)構(gòu)

本文的唇語識別模型為“主干- 脖子- 分類頭部”的結(jié)構(gòu)（如表1），模型的“主干”部分采用時空卷積的方式進行圖片序列的特征提取，由3 個3D 卷積層構(gòu)成；在這之后，搭建兩個單隱層的GRU 作為模型的“脖子”，目的是將所有幀的圖片特征整合聯(lián)系起來。模型的“頭部”是一層沒有偏置的全連接層，實現(xiàn)唇語識別的多分類任務(wù)。此外，在“主干”和“脖子”中間接了兩層全連接層，進行特征的降維。

表1 模型結(jié)構(gòu)配置

k、s、p 分別代表卷積核尺寸、滑動步長和填充尺寸

3.2 監(jiān)督信號增強

3.2.1 邊緣裕度

目前的唇語識別模型基本上都是使用獨熱編碼作為監(jiān)督信號，配合以交叉熵?fù)p失函數(shù)進行模型的訓(xùn)練。但是使用交叉熵?fù)p失訓(xùn)練的模型來識別的時候，容易對發(fā)音相似的詞語產(chǎn)生誤判，例如本數(shù)據(jù)集的“知識”與“只是”這兩個發(fā)音相近的樣本。

通過分析發(fā)現(xiàn)，多數(shù)情況下模型在正確的類別上預(yù)測了一個數(shù)值第二大的概率輸出，而在一個發(fā)音情況相近的類別上預(yù)測了最大概率輸出。可以看出使用交叉熵作為損失函數(shù)時，模型對一些唇語圖片序列的識別并不魯棒，容易誤判為發(fā)音相近的其它詞語。這種錯誤識別的原因是因為模型沒有能力可以有效地區(qū)分開發(fā)音相似的詞語，即兩個發(fā)音相似的詞語，它們在網(wǎng)絡(luò)的全連接層輸入處的特征向量非常接近，所以對于這類型的樣本，全連接層分類器的泛化力不足。

針對交叉熵?fù)p失函數(shù)學(xué)習(xí)到的特征分辨性不夠強這一點，人臉識別領(lǐng)域的最新研究成果是邊緣裕度[4]，通過對損失函數(shù)引入邊緣裕度，來增強模型訓(xùn)練的監(jiān)督信號。同理，本文引入具有決策邊界懲罰的損失函數(shù)，通過約束各類別的決策邊界，可以使得各個類別的特征在類內(nèi)緊湊，在類間可分，以此提高了唇語識別模型在識別發(fā)音相似的詞語時的準(zhǔn)確率。具體做法是將無偏置的全連接層輸出WTyixi視為一個余弦值，通過求余弦函數(shù)的反函數(shù)，在決策面上添加一個角度m 的邊緣懲罰，從而使得決策面更加規(guī)整。

3.2.2 軟化標(biāo)簽

深度學(xué)習(xí)唇語識別模型使用獨熱編碼的訓(xùn)練標(biāo)簽，由香農(nóng)信息熵可知，標(biāo)簽值為{0,1}的獨熱編碼信號攜帶的信息熵少于軟化標(biāo)簽信號所攜帶的信息。當(dāng)使用獨熱編碼時，模型訓(xùn)練時只關(guān)注于是否將當(dāng)前詞語正確分類，但是無法關(guān)注到其它的發(fā)音相近詞語的概率輸出是否合適。在知識蒸餾領(lǐng)域的研究中，其它類別上的概率輸出被稱為暗知識[5]。

為此，本文使用知識蒸餾的策略得到軟化的訓(xùn)練標(biāo)簽，使用帶有暗知識的軟化標(biāo)簽作為新的監(jiān)督信號，訓(xùn)練一個再生的唇語識別模型。本文設(shè)計一種“課程學(xué)習(xí)”的方式進行暗知識的遷移：

步驟1：以加入了邊緣裕度的交叉熵作為損失函數(shù)訓(xùn)練模型T；

步驟2：訓(xùn)練再生模型S。具體方式為，訓(xùn)練時對于同一個樣本，以模型T 的輸出概率分布作為監(jiān)督信號，以L1 損失訓(xùn)練模型S 的輸出分布；

步驟3：使用加帶邊緣裕度的交叉熵?fù)p失繼續(xù)訓(xùn)練模型S，得到最終的模型。

本文通過先行訓(xùn)練好的模型T 作為教師，將教師的輸出分布作為軟化標(biāo)簽，訓(xùn)練學(xué)生模型S，這樣可令模型S 在訓(xùn)練初期就關(guān)注學(xué)習(xí)暗知識的部分（即其它詞語的輸出概率），使得模型最終可以到達一個更好的極值點。

本文通過邊緣裕度和軟化標(biāo)簽得到的監(jiān)督信號增強的唇語識別模型如圖1 所示。

圖1 監(jiān)督信號增強的唇語識別模型

3.3 實驗結(jié)果

本文使用DataCastle 平臺的中文唇語識別數(shù)據(jù)集進行實驗，該數(shù)據(jù)集采集了10 個講話者講313 個不同的中文詞語的視頻并截幀作為樣本，樣本序列的最長長度為24 幀。實驗結(jié)果如下：

表2

4 結(jié)論

唇語識別是一項頗具難度的任務(wù)，光照、人臉角度的變化，講話者嘴唇形狀、說話習(xí)慣的不同給唇語識別任務(wù)的準(zhǔn)確性帶來挑戰(zhàn)。基于深度學(xué)習(xí)的唇語識別模型在識別一些發(fā)音相近的詞語時容易發(fā)生誤判，本文通過引入知識蒸餾技術(shù)獲得軟化訓(xùn)練標(biāo)簽，加入邊緣裕度獲得增強的監(jiān)督信號，有效提升唇語識別的準(zhǔn)確率。