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

通过使用 3D CNN 建立时空特征提取模型，我们提出了一种新的深度伪造视频检测方法，相比于现有方法能更准确地进行分类，并且经过测试表现出更强的通用能力。

Oct, 2020

本篇论文研究了如何学习从视频中提取运动信息。作者提出可以将空间变换检测看作是检测图像序列和运动序列中的 features 同步，提出了一种基于本地乘法门控的快速学习规则，可以在只需花费特征学习时间的一小部分时间内实现在广泛的运动估计任务中竞争性的性能，并且可以通过一定的方法甚至跑过手工处理的时空特征。作者还揭示了学习同步的过程可以被视为在著名的运动能量模型中进行贪婪参数估计。

Jun, 2013

应用动态时间规整相似度的核方法和支持向量分类器，只使用主成分分析压缩后的标记点向量的运动模式（形状参数）就可以准确地识别面部表情，包括全运动模式和数种表情。

Jun, 2013

本文提出了一种用于面部表情识别的多尺度时空图卷积网络 (SpoT-GCN)，通过接受域自适应滑窗策略提取更稳健的动态特征，并通过面部图形表示将微妙的动态特征转换为学习到的时空图模式，并使用提出的面部局部图池化 (FLGP) 从多个尺度的面部图结构中学习局部和全局特征，此外，引入了有监督对比学习来增强模型对难以分类的帧的区分能力。在 SAMM-LV 和 CAS (ME)^2 数据集上的实验结果表明，我们的方法在微表情识别方面达到了最先进的性能，消融研究进一步验证了我们提出的模块的有效性。

Mar, 2024

该研究提出了一种基于神经过程的方法，使用全局潜在变量模型的概率性语境表示与任务特定预测结合，智能地选择时间上下文，并在四个数据库上进行验证，在情感识别等方面取得了比强基线和现有方法更为一致的进步。

Mar, 2021

我们提出了一种半监督学习技术来生成未标记面部数据的表情类别伪标签以解决有限 FER 数据集的泛化能力问题，并采用均匀抽样和去偏反馈学习策略来应对数据集中的类别不平衡问题和半监督学习中的数据偏差问题。此外，引入了时间编码器来学习和捕捉静态图像之间的临近表情特征的时间关系，并在第 6 届 ABAW 竞赛中在官方验证集上取得了优秀的成绩，充分证实了我们提出方法的有效性和竞争力。

Mar, 2024

本文研究了时空预测学习方法，提出了一种通用框架，其中空间编码器和解码器捕获帧内特征，中间的时间模块捕获帧间相关性。我们提出了一种时间注意力单元（TAU）以并行化时间模块，并引入新的差异散度正则化以考虑帧间变化。广泛的实验证明，该方法使得模型在各种时空预测基准测试上具有竞争性能。

Jun, 2022

应用有限的解析注释，发展了有效的表征学习方法来解决具有挑战性的视频场景解析问题，并提出了针对未标记视频数据的预测特征学习方法和针对场景解析任务的预测方向解析体系结构。

Dec, 2016

该研究提出了一种描述表情强度随时间变化的特征，该特征对人和表情类型不变，可用于多个面部表情分析任务，包括 3D 面部表情的时间对齐、个体间表情绩效差异的识别和基于行为单元标签的面部视频序列的本地变化识别，并表现出对噪音和异常值具有鲁棒性。

May, 2018