通过先验引导的视频级回归提升微表情分析
计算机视觉与模式识别
2025-08-27 v1
摘要
微表情（ME）是不自主的、低强度的、持续时间短的面部表情，常常揭示个体的真实想法和情感。现有的大多数ME分析方法依赖于具有固定窗口大小和硬决策的窗口级分类，这限制了它们捕捉ME复杂时间动态的能力。尽管最近的方法已采用视频级回归框架来解决其中一些挑战，但区间解码仍然依赖于人工预定义的、基于窗口的方法，导致问题仅得到部分缓解。在本文中，我们提出了一种用于ME分析的先验引导的视频级回归方法。我们引入了一种可扩展的区间选择策略，该策略综合考虑了ME的时间演变、持续时间和类别分布特征，从而能够精确地定位起始、顶点和消退阶段。此外，我们引入了一个协同优化框架，其中定位和识别任务除了分类头之外共享参数。这充分利用了互补信息，更有效地利用了有限的数据，并增强了模型的能力。在多个基准数据集上的大量实验证明了我们方法的最先进性能，在CAS(ME)上STRS为0.0562，在SAMMLV上为0.2000。代码可在https://github.com/zizheng-guo/BoostingVRME获取。
引用
@article{arxiv.2508.18834,
title = {Boosting Micro-Expression Analysis via Prior-Guided Video-Level Regression},
author = {Zizheng Guo and Bochao Zou and Yinuo Jia and Xiangyu Li and Huimin Ma},
journal= {arXiv preprint arXiv:2508.18834},
year = {2025}
}