基于自适应性伪标签和剩余连接通道注意力机制的微表达分析

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 心理学 心理学 心理学

背景情况:

• 微表情揭示了真实的情绪,这对于心理治疗和刑事审讯等领域至关重要.
• 目前用于微表达式分析的伪标签方法由于滑动窗口而遭受不准确的标签,并忽视了细微的特征,专注于整体特征.

研究的目的:

• 提出一种新的微表达式分析方法,即Spot-Then-Recognize Method (STRM),该方法解决了现有方法的局限性.
• 通过动态分配基于视频序列内的微表达比例的伪标签来提高标签准确性.
• 通过专门的网络架构来增强微妙的微表达特征的提取.

主要方法:

• 开发了自适应伪标签方法 (SAPM),用于动态和准确的伪标签分配.
• 设计了多尺度剩余通道注意网络 (MSRCAN) 以有效提取微妙的微表达特征.
• 在MSRCAN内部集成的MSSN,发现网络和识别网络,用于精细的特征处理.

主要成果:

• 在微表达式分析上,STRM取得了58.24%的显著整体性能.
• 与现有方法相比,证明了19.62%的改进.
• 与基线相比,在多个数据集中实现了1.51×的增益.

结论:

• 拟议的STRM方法显著提高了微表达式分析的准确性.
• SAPM和MSRCAN有效地解决了标签准确性和特征提取方面的局限性.
• 在短视频和长视频数据集上,STRM表现出卓越的性能,优于现有技术.