表情识别论文阅读——Island Loss for Learning Discriminative Features in Facial Expression Recognition

Island Loss to Learn Extracting Discriminatively Encoded Features in Facial Expression Recognition

基于CenterLoss提出了一种新的损失函数，在关注类别间的内部距离的同时并致力于优化类别间的距离，并使每个类别都具备更大的间隔从而促使网络能够更好地提取具有鉴别能力的特征

近年来，在面部表情识别领域展现出显著的潜力。尽管卷积神经网络（CNNs）在这一领域取得了显著进展，但在实际应用场景中受到细微面部外观变化、头部姿势变化、光照变化以及遮挡等因素的影响而导致性能显著下降。针对这一问题提出了一种新的Island损失函数以增强深度学习特征的判别力。具体而言，在该框架下旨在减少同一类样本之间的变化范围同时放大不同类别之间的差异度量值。针对这一问题提出的Island损失函数能够有效提升模型对复杂场景下的分类能力相较于现有技术方案不仅具有更高的准确率而且计算效率也有明显提升，并且在多个公开的表情识别基准数据库上的实验结果表明该方法表现优于现有技术方案并能实现与现有技术相当甚至更好的性能水平

传统的CNN采用 softmax 损失函数进行参数优化，在此过程中会产生误分样本的问题并且迫使不同类别之间的特征产生分离现象。如图 1（a）所示，在学习过程中各类别特征会在对应的表达域中形成清晰的聚类区域。然而由于较高的类内变化程度导致各个集群内部存在的样本分布较为分散；此外由于类别间的高度相似性造成集群之间存在重叠现象。最近研究者们提出了中心损失 [48] 以减少用于人脸识别任务的学习特征所带来的类内变化程度相较于仅依靠 softmax 损失来进行学习的情况而言样本会被引导至其相应的类别中心从而使各类别的内部变化程度得到降低；但这种方法未能考虑到类别间的关系影响因素为此我们提出了一种新的损失函数 islands loss 其主要功能是在原有基础上进一步增强所提取深层特征间的区分能力具体而言如图 1（c）所示通过将每个簇压缩至独立区域并将其中心与其他簇分离从而实现了更加高效的特征区分过程

为了验证所提出的岛屿损失的有效性而构建了IL-CNN模型用于面部表情识别。如图2所示该模型由三个卷积块构成每个卷积块均包含PReLU激活函数与批量归一化（BN）模块其中每对BN模块之间插入一个最大池化模块随后在第三卷积块后附加两个完全连接（FC）全连接模块以生成样本表征并由第二个FC模块计算出岛屿损失最终通过softmax交叉熵损失使决策边界优化从而获得目标分布估计值

Li等人不采用基于集群中心距离的中心损失函数作为区分标准。文献[20]开发出一种具有深度局域性感知能力的卷积神经网络（DLP-CNN），该网络通过优化样本与同类域K-最近邻居之间的距离来维持局部邻近关系。当中心损失函数将样本吸引至其对应的聚类中心时，并且DLP-CNN使样本被推移至其最近邻区域时，在提 proposal中引入的岛损失函数不仅减少了类内变化量，并且增强了类间差异度以进一步提升深度特征的表现能力

A.预处理
为了减少面部比例和面内旋转的变化，基于由判别响应图拟合（DRMF）[1]提取的面部标志，在每个图像上采用面部对齐。 具体而言，考虑到66个提取的面部标志，面部区域基于三个关键点对齐：两只眼睛和嘴巴的中心。 然后将对齐的面部图像的大小调整为60×60。 另外，利用直方图均衡来改善面部图像中的对比度。 由于面部表情数据库中图像的数量有限，因此采用数据增强策略来产生更多用于训练的数据。 具体而言，从60×60图像中随机裁剪48×48个补丁，然后在-5°和5°之间随机旋转。 旋转的图像随机水平地作为所有CNN的输入。