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

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

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

本文研究了预训练语言模型 BERT 在情感识别中的能力。通过 BERT 的框架和两句话的结构，我们将其应用于连续对话情感预测任务中，并依赖于句子级上下文感知理解。实验表明，通过将连续对话映射到因果话语对中，该模型能更好地捕获回复话语的情感。该方法在 Friends 和 EmotionPush 的测试数据集中取得了 0.815 和 0.885 微型 F1 分数。

Aug, 2019

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

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

面部表情与肌肉收缩相关，微表情识别中，肌肉运动通常是微妙的，对当前面部情感识别算法性能产生负面影响。本文提出了一种层次 Transformer 网络 (HTNet) 来识别关键的面部肌肉运动区域，通过局部时间特征和全局面部特征提取层组成。实验证明，该方法在四个公开的微表情数据集上优于以前的方法并提供了相关代码和模型。

Jul, 2023

本文介绍了我们通过深度学习和使用 BERT 模型的方法，在 EmotionX-2019 和 SocialNLP 2019 的共享任务中，对来自电视节目 Friends 和 Facebook 聊天记录 EmotionPush 的每个话语的情感进行了识别，并通过微平均 F1 分数对模型性能进行了评估，得到了同类中的第三名。

Jul, 2019

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