利用视觉转换器和基于的注意力来准确识别微表情.
Yibo Zhang1,2, Weiguo Lin3, Yuanfa Zhang1
1School of Computer and Cyberspace Security, Communication University of China, Beijing, 100024, China.
Scientific reports
|April 21, 2025
概括
这项研究引入了一种新的AI方法,用于识别微表达式,提高准确性和效率. 该方法使用视觉转换器和先进的技术来捕捉微妙的面部线索,增强现实世界的应用.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 微表情是微妙的,非自愿的面部动作,难以实时检测.
- 现有的人工智能系统在准确性和效率方面面临局限性,原因是微表达式的持续时间短暂和微妙性质.
- 微表达式的内在真实性使得它们的准确识别在各种领域具有价值.
研究的目的:
- 提出一种新且有效的微表情识别方法.
- 提高微表情识别系统的准确性和稳定性.
- 为了应对实时识别和微妙的面部特征检测的挑战.
主要方法:
- 开发HTNet (具有可学习绝对位置嵌入的层次变压器网络) 来捕捉微妙的面部特征.
- 实施基于的选择代理注意减少模型参数和计算负载.
- 利用扩散模型进行数据增强,以增加样本大小并提高概括性.
主要成果:
- 拟议的HTNet模型显示了捕捉微妙面部特征的能力的提高.
- 基于的注意力有效地减少了模型的复杂性,同时保持了学习能力.
- 基于扩散的数据增强增强了识别系统的概括性,准确性和稳定性.
- 在多个数据集上进行了广泛的实验,验证了框架的有效性.
结论:
- 基于视觉转换器的新方法显著提升了微表情识别.
- HTNet的综合方法,注意力机制和扩散模型提供了一个强大的解决方案.
- 该框架显示了实际应用的巨大潜力,需要可靠的微表达式分析.


