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

本文研究了视频中的面部分析问题，提出了一种新的弱监督学习方法，模拟视频事件（表情，疼痛等）作为自动挖掘的有区别子事件的序列，这个模型受到了多个实例学习和潜在 SVM/HCRF 框架的启发，用于模仿视频中的顺序或时间方面， 本文的贡献主要在于提出了这样的结构并在四个具有挑战性且公开可用的基于视频的面部分析数据集上实现了优异的表现。

Apr, 2016

本论文提出了基于特征表示学习的位移生成和 Transformer 融合（FRL-DGT）的新框架，用于微表情（ME）识别，实现了对 ME 特征提取和融合的有效学习，相比现有的方法，有了更好的准确度。

Apr, 2023

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

本文通过构建几何二流图网络、自学习机制和自适应动作单元损失函数，研究了人脸标志物对微表情识别的贡献。实验证明，本文提出的方法具有更高的效率和更低的计算成本，且人脸标志物对微表情识别有重要贡献，值得进一步研究高效的微表情分析。

May, 2022

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

利用面部微表达视频的顶点帧和起始帧，结合新的 Bi-WOOF 特征提取方法，提出了一种新的面部微表情识别方法，在 CAS（ME）$^2$，CASME II，SMIC-HS，SMIC-NIR 和 SMIC-VIS 数据库上取得了 61% 和 62% 的识别性能。

Jun, 2016

Language-mediated, Object-centric Representation Learning 是一种学习物体中心场景表示的新范式，通过从语言输入中获取物体中心概念来促进物体中心表示的学习，并能结合无监督的物体探索算法，提高语言帮助下的无监督物体探索方法的性能，并辅助下游任务，如指称理解。

Dec, 2020

多模态情感识别是人工智能中的重要研究课题，为推动该领域的发展，我们计划组织一系列关于情感识别的挑战活动，其中包括扩大数据集规模、引入新的跟踪领域和鼓励参与者描述角色的情感状态。

Apr, 2024

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