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、CSIG生物特征识别专委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。

第六十八期云上微表情将于2025年09月01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。此次讲座主题为“面向隐私保护：结合联邦学习的微表情智能分析”，分别邀请来自天津大学博士研究生汪明珮、中国科学院心理研究所实习生/江苏科技大学硕士研究生钱雨介绍相关研究工作，欢迎大家关注！

会议链接

2025年09月01日

19:00 - 21:00

腾讯会议：985-603-177

欢迎扫码入会

讲者简介

汪明珮，天津大学数学学院应用数学中心博士生，硕士就读于澳门科技大学，硕士导师为周玲助理教授。主要研究方向为联邦学习、边缘计算。

报告题目：面向隐私保护微表情识别的联邦学习驱动技术研究 

报告摘要：随着移动设备和传感器技术的进步，它们在通信中的作用变得越来越不可或缺。微表情识别作为一种宝贵的非语言交流方法，在人机交互、情感分析、安全等领域得到了广泛的研究。然而，微表情数据的敏感性和隐私影响对集中式机器学习方法构成了重大挑战，这引发了用户对严重隐私泄露和数据共享模式的担忧。为了解决这些限制，我们专门为这项任务制定了一个联邦学习方案。我们的方法通过使用联邦优化技术来优先考虑用户隐私，从而在不损害数据隐私的情况下将用户的信息聚合在加密空间中。通过将已建立的微表情识别方法集成到框架中，证明了该方法不仅具备强大的数据保护能力，而且保持了与非隐私保护机制相当的高识别性能。据我们所知，这标志着联合学习在微表情识别任务中的首次应用。

参考文献：Wang, M., Zhou, L., Huang, X., & Zheng, W. (2025). Towards Federated Learning Driving Technology for Privacy-Preserving Micro-Expression Recognition. Tsinghua Science and Technology, 30(5), 2169-2183.

钱雨，中国科学院心理研究所微表情应用研究中心实习生，江苏科技大学计算机学院研究生二年级在读，导师黄树成。主要研究方向：计算机视觉，图像处理，情感分析。主要研究兴趣为微表情识别。

报告题目：FED-PsyAU：基于心理 AU 协同与动态面部运动建模的隐私保护微表情识别方法

报告摘要：微表情是短暂、低强度且通常局部化的面部表情。它们能够揭示个体试图隐藏的真实情绪，在刑事审讯和心理咨询等场景中具有重要价值。然而，微表情识别（MER）面临着样本量小、特征微妙等挑战，这些问题阻碍了高效建模。此外，现实应用中还存在微表情数据隐私问题，在隐私约束下跨场景提升识别性能的任务很大程度上尚未被探索。为了应对这些问题，我们提出了FED-PsyAU研究框架。我们首先通过一项心理学实验研究了面部上下部分动作单元（AUs）的协调性，以提供面部肌肉动态的结构化先验知识。然后，我们开发了DPK-GAT网络，将这些心理学先验知识与统计AU模式相结合，实现从局部到全局多层次的面部运动特征学习，有效提升MER性能。此外，我们的联邦学习框架在无需数据共享的情况下提升多个客户端的MER能力，既保护了隐私又缓解了各客户端的样本有限问题。在常用微表情数据库上的大量实验证明了我们方法的有效性。

参考文献：Li, J., Qian, Y., Zhao, L., & Wang, S. J. * (2025, October). FED-PsyAU: Privacy-Preserving Micro-Expression Recognition via Psychological AU Coordination and Dynamic Facial Motion Modeling, In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition.