可学习特征解与时间补充运动增强用于微表达式识别
Yu Qian1, Shucheng Huang1, Kai Qu2
1School of Computer, Jiangsu University of Science and Technology, Zhenjiang 212100, China.
Entropy (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了LFD-TCMEN,这是一个用于微表情识别 (MER) 的新型网络. 它有效地解开了面部身份和运动,在具有挑战性的场景中提高了情绪检测准确度.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 生物识别信息 生物识别信息
背景情况:
- 微表情 (ME) 是微妙的,非自愿的面部运动,对于理解真实的情绪至关重要.
- 微表情识别 (MER) 面临挑战,因为情绪线索与特定身份特征的纠.
- 像RPCA这样的现有方法在静态特征分离方面扎,可能会失去重要的情感信息.
研究的目的:
- 开发一个新的,可学习的框架来解开面部身份和运动,以改善MER.
- 通过自适应地隔离纯运动模式来增强特征的辨别力.
- 以面部处理的认知模型为灵感,创建一种更具活力和有效的方法.
主要方法:
- 拟议的LFD-TCMEN网络具有端到端可学习的功能解框架.
- 引入了一个解表示学习 (DRL) 模块,用于自适应性隔离运动模式.
- 开发了一个时间补充运动增强 (TCME) 模块,将运动表示与光流动力学集成在一起.
主要成果:
- 在CAS(ME) 3和DFME基准上实现了最先进的跨学科性能.
- 证明了纯运动模式的有效隔离,克服了静态预处理的局限性.
- 通过多任务目标统一各种损失来验证协同优化的有效性.
结论:
- 拟议的LFD-TCMEN网络在微表达式识别方面取得了重大进展.
- 可学习特征解和协同优化是提高MER性能的关键.
- 该方法显示出在欺骗检测和心理诊断方面有很大的应用潜力.
