Nov, 2015

朝向读取隐藏情绪：自发微小表情检测和识别方法的比较研究

PDF
TL;DR该研究利用特征差异对长视频中自发微表情进行识别，并提出了自动微表情分析系统，该方法超出了人类在微表情识别任务上的表现且能胜任较具挑战性的任务。
micro-expressionsautomatic me analysisme recognitionspontaneous videosfeature difference contrast
发现论文，激发创造
  • 基于视频的面部微表情分析：数据集，特征和算法调查

    该研究论文系统概述了基于视频的微表情分析，讨论了其神经心理学基础、数据集、特征、算法、应用和评估，之后提出了一个更完整的、适用范围更广的数据集，并进行了方法比较和未来研究方向的展望。

    Jan, 2022

  • RMES: 使用 Riesz 金字塔相位进行实时微表情检测

    提出了一个使用浅层卷积神经网络进行小表情识别的框架，其中运动由 Riesz Pyramid 计算的相位来表示，相比于光流法，其提供了更局部的运动估计，使得小表达识别性能更高，并且降低了 77.8％的计算量，达到了在两个公共数据集上的最新性能。

    May, 2023

  • 自发微妙情绪动力学中的稀疏性分析与应用

    本研究利用稀疏性约束对微表情的面部动态进行分析，剔除不相关的动态，从而简化微表情识别的挑战。结果表明，保留原始序列中的显著动态，可以提升自动微表情识别的性能。

    Jan, 2016

  • 元学习引导的微表情识别

    提出了一种名为 LightmanNet 的双分支元辅助学习方法，用于快速和鲁棒的微表情识别，通过双分支双层优化过程，从有限数据中学习一般的微表情识别知识，进一步改进了模型的泛化和效率。

    Apr, 2024

  • 基于属性信息嵌入和跨模态对比学习的微表情识别

    通过属性信息嵌入和跨模态对比学习，基于微表情序列的 RGB 和 FLOW 特征提取和 BERT 网络提取文本信息，实现面部微表情识别，并在 CASME II 和 MMEW 数据库上进行了广泛实验，准确率分别为 77.82% 和 71.04%。与其他方法相比，该方法具有更好的微表情识别效果。

    May, 2022

  • 宏观到微观：通过在宏观表情视频上进行预训练来提升微表情识别

    微表情识别是近年来备受关注的研究领域，在智能医学和骗术检测等方面具有潜在应用。然而，缺乏标注数据一直以来都是加强基于深度学习的微表情识别方法的主要障碍之一。本文提出了一种广义的转移学习范式，称为宏观表情到微表情（MA2MI）。在该范式下，网络可以通过重建未来帧来学习表示微妙的面部运动。此外，本文还提出了一种两支路微动作网络（MIACNet），用于解耦面部位置特征和面部动作特征，帮助网络更准确地定位面部动作位置。在三个常用的微表情识别基准上进行的大量实验证明了我们方法的优越性。

    May, 2024

  • 用于识别自发微表情的时空循环卷积神经网络

    本研究提出了一种利用深度循环卷积神经网络进行微表情识别的方法，该方法能够捕捉微表情序列的时空变化，相对于现有的其他方法，该方法表现更为优异。

    Jan, 2019

  • 面部表情识别的印度自发表情数据库

    本研究提出并建立了一个包含男女印度参与者自发面部表情的新面部表情数据库，通过对这些视频剪辑进行精细注释并进行情感诱导和自我评估来记录这些表情，并在该数据库上使用多个机器学习算法进行了广泛分析，为自发表情识别算法的发展和验证提供了依据。

    Dec, 2015

  • 使用深度学习识别面部微表情的人物识别

    本研究旨在探究面部微表情作为软生物识别的有效性并提出一种深度学习的方法来提高其在人体识别方面的应用，实验结果显示该方法与现有的基准相比，可以显著提高识别准确性。

    Jun, 2023

  • 基于 Transformer 的多尺度多模态微表情识别算法

    本文提出了一种基于 Transformer 网络的多模态多尺度算法，通过微表情的运动和纹理两种特征完全学习微表情的局部多粒度特征，实现了不同尺度脸部局部区域特征的提取并在三个自然数据集上进行了综合实验。结果表明，该算法在单个测量 SMIC 数据库中的准确度高达 78.73％，在合并数据库的 CASMEII 上的 F1 值高达 0.9071，处于领先水平。

    Jan, 2023