evTransFER：面向基于事件的面部表情识别的迁移学习框架
计算机视觉与模式识别
2026-01-01 v2
摘要
基于事件的相机是一种仿生传感器，以亚微秒延迟异步捕捉像素强度变化，具有高时间分辨率和高动态范围，提供场景时空动态信息。我们提出evTransFER—a一种基于迁移学习的面部表情识别框架。主要贡献是设计了一个特征提取器，用于编码面部时空动态特征，方法是通过面部重建训练对抗生成方法，并将编码器权重迁移到面部表情识别系统。我们证明了所提出的迁移学习方法优于从头训练网络。我们提出一种包含LSTM以捕捉更长期间面部表情动态的体系结构，并引入一种新的基于事件的表示方法称为TIE。我们使用合成基于事件的面部表情数据库e-CK+和真实神经形态数据集NEFER进行评估。在e-CK+上，evTransFER实现了93.6%的识别率，超越了最先进的方法。对于NEFER，该数据集包含具有真实传感器噪声和稀疏活动的事件序列，所提出的迁移学习策略实现了最高可达76.7%的准确率。在两个数据集中，结果均超过当前方法，并优于从头训练的模型。
引用
@article{arxiv.2508.03609,
title = {evTransFER: A Transfer Learning Framework for Event-based Facial Expression Recognition},
author = {Rodrigo Verschae and Ignacio Bugueno-Cordova},
journal= {arXiv preprint arXiv:2508.03609},
year = {2026}
}