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

提出了一种名为自适应时间运动引导图卷积网络（ATM-GCN）的微表情识别框架，该框架在整个剪辑中捕获帧之间的时间依赖关系，从而增强了剪辑级别的微表情识别能力。实验证明，ATM-GCN 不仅在 Composite 数据集上超过现有的最先进方法，而且在最新的微表情数据集 CAS (ME)$^3$ 上也取得了卓越的性能。

Jun, 2024

本文介绍了一种使用运动块的 MFNet 网络，可以捕捉序列帧之间的时空信息，提高动作识别的性能，且可将其附加到现有的 CNN 框架中。通过在 Jester 和 Something-Something 两个数据集上训练，得到了有竞争力的表现。

Jul, 2018

通过运动模式驱动目标面部生成微表情视频，使用 CASME II、SAMM 和 SMIC 数据集训练的模型在 Facial Micro-Expression Challenge 2021 中获得第一名，并由三位拥有面部动作编码系统认证的专家验证了其卓越的性能。

Aug, 2023

该研究提出了一个用于微动作识别的基准测试集 Micro-action-52（MA-52）和微动作网络（MANet），通过收集全面的微动作线索来解决微动作的识别和理解问题，并展示了该方法在情感识别方面的应用价值。

Mar, 2024

本文介绍了一个使用卷积神经网络、optical flow features 等技术来实现面部情感微表情识别的方法，并在三个数据库上进行了全面的评估，结果表明该方法在识别微小的情感细节方面表现优越。

May, 2018

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

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

本研究旨在开发和分析多模态模型，预测观众观看电影片段时的情感反应。研究发现，通过提取 RGB 帧和光流的特征以及音频中的各种低级描述符，采用深度神经网络模型来进行情感预测更为精确。其中，光流特征比 RGB 视频更加信息含量丰富，且音频特征的预测精度高于视频特征。

Sep, 2019

本文提出了一种名为 MotionSqueeze 的可训练神经网络模块，用于有效的运动特征提取，将外部和重量级计算的光流替换为内部和轻量级的学习运动特征方法，在四个标准基准测试中，该方法仅需很少的额外成本，即可获得明显的提高，超越了 Something-Something-V1&V2 数据集上的现有技术。

Jul, 2020