微表情是一种短暂的、微弱的、无意识的面部微表情，持续时间往往在0.5s内，能够揭示人类试图隐藏的真实情绪。微表情识别的研究旨在让机器有足够的智能，能够从人脸视频序列中识别人类的真实情绪。然而由于微表情持续时间短、面部肌肉运动强度低，对其进行准确的表征与识别是一项极具挑战性的任务。为了促进心理学领域和计算机视觉领域针对微表情的进一步研究，由中国图象图形学学会（CSIG）和中国科学院心理研究所举办、CSIG机器视觉专业委员会、CSIG情感计算与理解专业委员会和中科院青促会心理所小组联合承办，中国科学院心理研究所的王甦菁博士和李婧婷博士组织一系列云上微表情的学术活动。

第六十三期云上微表情将于2025年04月28日晚7点进行，由中国科学院心理研究所王甦菁老师团队的李婧婷博士主持。此次讲座邀请来自华东师范大学博士研究生张博皓介绍CVPR2025接收的微表情识别相关工作，主题为“基于自监督定向形变建模与动力定型理论的微表情识别方法”，欢迎大家关注！

讲者简介：

个人简介

张博皓，就读于华东师范大学计算机科学与技术学院，智能教育专业博士研究生，导师为王长波教授与何高奇教授，目前在上海智能教育研究院从事计算机与心理学交叉领域研究。研究方向为计算机视觉，情感计算以及多模态情感智能，主要聚焦于表情分析、多模态情绪感知等方向，致力于构建具备心理学理论支撑的智能情绪理解模型。

报告题目

基于自监督定向形变建模与动力定型理论的微表情识别方法

Dynamic Stereotype Theory Induced Micro-expression Recognition with Oriented Deformation

报告摘要

微表情在刑侦、测谎等领域具有重要价值，但识别任务面临样本稀缺、表征微弱和注释依赖等挑战，难以从时序层面刻画微表情的真实动态变化。

为应对上述挑战，我们提出了 SODA4MER，一种融合心理学理论与自监督机制的微表情识别方法。该方法首先通过自监督学习构建了面向定向局部形变的表征能力，有效挖掘面部肌肉群之间的动态结构关系。随后，在预训练模型的基础上，结合动力定型理论（Dynamic Stereotype Theory, DST），引导模型从人类情感加工机制角度建模情绪表达过程，实现更贴近人类认知规律的微表情识别。

实验表明，SODA4MER在无需Apex注释的前提下取得了与监督方法相当的性能。该方法对局部运动建模具有良好泛化能力，进一步支持我们拓展至跨数据集的动作单元分析研究。

Micro-expressions, due to their ability to reveal genuine emotions, hold significant value in lie detection, criminal investigation, and public safety. However, micro-expression recognition (MER) faces key challenges including data scarcity, subtle motion representation, and reliance on apex frame annotations. Conventional deep learning models in computer vision often struggle to capture the evolving emotional dynamics reflected in micro-expressions. To address these issues, we propose SODA4MER, a self-supervised method for apex-free MER. Guided by muscle-group priors and the psychological theory of Dynamic Stereotype Theory (DST), our method formulates a novel oriented local deformation modeling strategy that captures the temporal process of emotional expression. This design substantially enhances the model's ability to perceive fine-grained local motion. Experimental results demonstrate that SODA4MER achieves competitive performance with fewer assumptions and lower complexity. Furthermore, several observations during evaluation motivate us to extend our study to cross-dataset Action Unit (AU) detection, aiming for finer-grained micro-expression analysis.

参考文献

Bohao Zhang, Xuejiao Wang, Changbo Wang^*, and Gaoqi He^*, ”Dynamic Stereotype Theory Induced Micro-expression Recognition with Oriented Deformation,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., 2025.

rence," in IEEE Transactions on Affective Computing, doi: 10.1109/TAFFC.2025.3548284.

会议时间

2024年 04月28日

19:00 - 20:30

#腾讯会议：466-901-695

扫码入会