UAU-Net：不確実性を考慮した表現学習と証拠（エビデンシャル）分類による顔の表情アクションユニット検出

要旨: 顔のアクションユニット（AU）の検出は、表現段階と意思決定段階の両方で生じる、AU固有の不確実性が異質であることにより、依然として困難です。近年の手法は識別的な特徴学習を改善していますが、多くの場合AU表現を決定論的として扱うため、視覚ノイズ、被験者依存の外観変動、曖昧なAU間の関係によって引き起こされる不確実性を見落とし、これらが頑健性を大きく低下させ得ます。一方で、従来の点推定型分類器はしばしば信頼度（confidence）が適切に校正されておらず、特にAUデータセットに典型的な深刻なラベル不均衡の下では、過度に確信のある予測を生みがちです。そこで本研究では、表現段階と意思決定段階の両方で不確実性を明示的にモデル化する、不確実性に配慮したAU検出フレームワークであるUAU-Netを提案します。表現段階では、CV-AFE（条件付きVAE（CVAE）に基づくAU特徴抽出モジュール）を導入し、複数の時空間スケールにわたって特徴の平均と分散を同時に推定することで、確率的なAU表現を学習します。さらに、AUラベルに条件付けすることで、AU間依存に関連する不確実性をCV-AFEが捉えられるようになります。意思決定段階では、多ラベルAU検出のためのAB-ENN（非対称ベータ・エビデンシャル・ニューラルネットワーク）を設計し、予測の不確実性をベータ分布でパラメータ化することで、極めて不均衡な二値ラベルに合わせて設計された非対称の損失により過信（overconfidence）を抑制します。BP4DおよびDISFAに関する大規模な実験により、UAU-Netが強力なAU検出性能を達成することが示され、さらに分析から、表現学習とエビデンシャル予測の両方において不確実性をモデル化することが頑健性と信頼性を改善することが明らかになりました。