FMANet：一种基于Fusion Motion Attention Network的双相位光流方法用于微表情鲁棒识别
计算机视觉与模式识别
2025-10-16 v3
摘要
面部微表情因其细微且短暂的特性而是真实情绪的重要指示器。尽管在心理学、安保和行为分析领域具有重要意义，但由于捕捉细微面部运动的困难，微表情识别仍具挑战性。光流因其有效性而广泛用于该任务。然而，大多数现有方法仅计算起始帧与顶点帧之间的光流，从而忽略了顶点至结束相位中必不可少的运动信息。为此，我们首先引入一种综合运动表示，称为Magnitude-Modulated Combined Optical Flow (MM-COF)，将两种微表情相位的运动动力学整合为统一描述符，可直接用于识别网络。基于此原理，我们随后提出FMANet，一种新型端到端神经网络架构，将双相位分析和幅度调制内化为可学习的模块。这使网络能够适应性地融合运动线索并聚焦于面部关键区域进行分类。在广被认可为标准基准的MMEW、SMIC、CASME-II和SAMM数据集上进行的实验评估表明，我们提出的MM-COF表示和FMANet均优于现有方法，凸显了可学习的双相位框架在推动微表情识别方面的潜力。
引用
@article{arxiv.2510.07810,
title = {FMANet: A Novel Dual-Phase Optical Flow Approach with Fusion Motion Attention Network for Robust Micro-expression Recognition},
author = {Luu Tu Nguyen and Vu Tram Anh Khuong and Thi Bich Phuong Man and Thi Duyen Ngo and Thanh Ha Le},
journal= {arXiv preprint arXiv:2510.07810},
year = {2025}
}