面向微表情识别的元-辅助学习

微表情（MEs）是揭示人们隐藏情感的不可控运动，因其在情感检测中的客观性而受到广泛关注。然而，尽管其应用场景广泛，微表情识别（MER）仍因以下三个原因在现实中保持具有挑战性：(i) 数据层面：数据不足且类别不平衡，(ii) 特征层面：MEs的特征细微、快速变化且复杂，(iii) 决策层面：个体差异的影响。为此，我们提出了一种双分支元-辅助学习方法，称为LightmanNet，以实现快速且稳健的微表情识别。具体而言，LightmanNet通过双层优化过程从有限数据中学习通用的MER知识：(i) 在第一层，通过两个分支进行学习，其中第一个分支通过主要的MER任务学习MEs特征，而另一个分支则通过辅助任务（即在微表情和宏表情之间进行图像对齐，因为它们在空间和时间行为模式上具有相似性）引导模型获得判别性特征。两个分支的学习共同约束模型学习有意义的任务特定MER知识，同时避免学习噪声或MEs与情感之间可能损害泛化能力的浅层联系。(ii) 在第二层，LightmanNet进一步细化所学的任务特定知识，提高模型的泛化能力和效率。在各种基准数据集上的大量实验表明，LightmanNet在鲁棒性和效率方面具有优势。