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。
第六十五期云上微表情于2025年07月07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。此次讲座邀请来自河北大学的刘帅奇教授分享他们近期在TAC上发表的工作：通道自注意残差网络：从增强运动流图像中学习微表情识别特征，欢迎大家关注！
刘帅奇：男，工学博士，河北大学教授。荣获宝钢优秀教师奖，入选全球前2%顶尖科学家榜单。研究方向为图像处理和多维信号处理。近年来，先后主持参与纵向项目16项，包括主持国家基金2项、中国博士后基金1项、省基金3项。近年来在包括IEEE TAC、IEEE TNSRE、IEEE JBHI、IEEE TBIOM、ACM TOMM、IEEE-ACM TCBB和IEEE TGRS等国内外权威期刊上发表论文50余篇，入选ESI高被引论文4篇。
报告题目：
通道自注意残差网络：从增强运动流图像中学习微表情识别特征
Channel Self-Attention Residual Network: Learning Micro-Expression Recognition Features from Augmented Motion Flow Images
报告摘要：
微表情是一种隐藏着个体内心真实情感的面部肌肉动作。然而，在微表情识别任务中，存在着持续时间短、运动强度低以及训练数据有限等问题。为此，我们提出了一种从增强局部特征的运动流图像中提取微表情判别信息的通道自注意力残差网络（Channel Self-Attention Residual Network, CSARN）。具体而言，首先设计了一种局部特征增强策略，该策略首次将微表情的偏移帧应用于特征计算，以增强运动流图像的局部特征表示，进而有效抑制与微表情无关的运动的干扰。其次，为了缓解因数据集规模有限而引发的模型过拟合风险，本文设计了一种轻量化的主干网络结构，从而降低模型的计算复杂度并缩短计算时间。最后，通过引入通道自注意力融合模块，构建了通道自注意力残差网络，在通道和空间双维度精确提取微表情的判别信息，实现情感的有效识别。所提出的方法在三个基准数据集（SMIC、CASME II、SAMM）以及复合数据集3DB上进行了广泛的评估。实验结果充分证明了所提方法的优越性。
参考文献：
Zhao, S., Li, S., Zhang, Y., & Liu, S. (2025). Channel self-attention residual network: Learning micro-expression recognition features from augmented motion flow images. IEEE Transactions on Affective Computing.