动态微表情识别中人类标注偏差的评估与纠正
计算机视觉与模式识别
2026-03-06 v1 计算机与社会
摘要
现有的人工标注方法在准确度方面存在错误，尤其是在跨文化场景中，关键帧的标注偏差更为突出。为此，本文提出一种 novel Global Anti-Monotonic Differential Selection Strategy（GAMDSS）架构，通过关键帧重新选择来增强微表情时空建模的有效性。具体方法通过动态帧重新选择机制从完整的微表情动作序列中识别Onset和Apex帧，这些帧特征为显著的微表情变化。随后用于确定Offset帧并构建丰富的时空动态表示。随后使用具有共享参数的双分支结构高效提取时空特征。在七个广泛认可的微表情数据集上进行了广泛实验。结果表明，GAMDSS有效减少了跨文化数据集（如SAMM和4DME）中人类因素引起的主观性错误。进一步的定量分析确认，跨文化数据集中的偏移帧标注更不确定，为标准化微表情标注提供了理论依据。这些发现直接支持我们重新考虑数据集标注范式的有效性和可推广性的论点。值得注意的是，该设计可集成到现有模型中，而无需增加参数数量，为提高微表情识别性能提供了新方法。源代码已在GitHub上提供[https://github.com/Cross-Innovation-Lab/GAMDSS]。
引用
@article{arxiv.2603.04766,
title = {Evaluating and Correcting Human Annotation Bias in Dynamic Micro-Expression Recognition},
author = {Feng Liu and Bingyu Nan and Xuezhong Qian and Xiaolan Fu},
journal= {arXiv preprint arXiv:2603.04766},
year = {2026}
}
备注
15 pages, 8 figures, 7 tables