提出了一种基于 Hierarchical Space-Time Attention (HSTA) 的微表情识别方法，通过建立微表情视频帧与特定面部区域之间的联系以及跨模态数据的融合，实现了对微小的面部动作和情感的识别和分析。

May, 2024

本篇论文提出动态分段稀疏成像模块（DSSI）和分段运动关注空间时间网络（SMA-STN）来处理微表情识别（MER）问题，通过计算局部 - 全局的时空描述符来捕捉微小运动变化，利用空 - 时运动关注模块（STMA）来捕捉面部表情的远程空间关系和加权时间段，实验证明该方法优于其他先进方法，证明该方法是解决复杂的 MER 问题有效的。

Oct, 2020

本文介绍了一种名为 STSTNet 的深度神经网络，它从三个光流特征中学习以识别面部微表情，通过实验结果表明，该网络可以提高有效性并获得更高的精度。

Feb, 2019

提出了一种基于多级注意力编码器 - 解码器网络（MAED）的 3D 人形状和姿势估计方法，其中包括空间 - 时间编码器（STE）和运动学拓扑解码器（KTD），并考虑了多级注意力，从而优于现有方法。

Sep, 2021

我们提出了一种名为 TKD 的新框架，利用深度神经网络基于的模型所选择的视频帧（瞬间的感知）来蒸馏轻量级模型中的时间知识，通过进行两个新的步骤：1）基于 LSTM 的关键帧选择方法；2）新的教师束缚损失设计。使用不同的目标检测方法，在多个数据集上进行了全面的经验评估，包括 Youtube-Objects 和 Hollywood 场景数据集。我们的结果显示，与其他现代对象识别方法相比，我们在动态场景的帧上的目标检测准确度 - 速度平衡方面有着一致的提高。

Mar, 2019

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

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

本文提出了将 Self-KD 应用于图像混合 (MixSKD) 的方法，该方法能够将原始图像和混合图像之间的特征映射和概率分布相互蒸馏，以便以跨图像的知识指导网络的学习，实验表明该方法优于其他最先进的 Self-KD 和数据增强方法。

Aug, 2022

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

通过引入自知识蒸馏方法，解决了自动语音识别中教师 - 学生模型帧级对齐不一致的问题，该方法使用共享编码器层并将子模型作为学生模型，提高了资源效率和性能，并通过实验证明了所提方法通过减少对齐不一致来改善性能。

Jun, 2024