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

这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

May, 2023

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

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

最近的研究强调用户对与机器进行类似人的互动的偏好增长。因此，面部表情识别作为给社交机器人赋予识别用户情感状态的能力的一种方式变得重要。在本研究中，我们评估了深度学习方法的适用性，这些方法因其在该领域的出色表现而闻名，用于识别具有智力残疾的个体的面部表情，据我们所知，这方面的研究尚未进行。为实现这一目标，我们使用了十二个不同方法的卷积神经网络集合进行训练，其中包括没有具有智力残疾的个体的数据集合以及包含了这些个体的数据集合。我们对不同训练条件下各个模型的结果进行了分析，结合可解释的人工智能技术在表情识别期间进行的关键面部区域的全面分析，揭示了智力残疾个体之间以及具有智力残疾的个体之间面部表情的显著差异。显著的是，我们的研究结果通过用户特定的训练方法证明了对该人群中面部表情的可行性，这使得模型能够有效地处理每个用户独特的表达方式。

Jan, 2024

本研究提出了一种基于深度学习和面部视频数据的情感检测方法，使用 Convolutional Neural Network 训练一个能够估计三维表情模型参数的模型，并结合情感分类器，能够高效准确地从动态图像中识别面部表情，且在基本情感和压力情感的识别任务中超过了其他方法。

May, 2020

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

本文提出了一种新的面部微表情识别方法 Micron-BERT，采用 Diagonal Micro-Attention 和 Patch of Interest 模块，在大规模无标注数据集上实现了高精度，并在 SAMM、CASME II、SMIC 和 CASME3 四个数据集上明显优于现有方法。

Apr, 2023

该文介绍了针对面部表情识别问题，提出了一种基于注意力卷积网络的深度学习方法，并采用可视化技术确定了识别不同情绪对应的重要面部区域，相比先前的模型在多个数据集上都取得了明显的改进。

Feb, 2019