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和CSIG情感计算与理解专业委员会联合承办，中国科学院心理研究所的王甦菁博士组织一系列云上微表情的学术活动。
第三十二期云上微表情将于2022年9月30日晚上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。此次讲座邀请到来自山东大学的贲晛烨教授和芬兰奥卢大学的李晓白助理教授介绍SOTA微表情数据库：MMEW与4DME。
贲晛烨博士，山东大学齐鲁青年学者特聘教授，博导，山东大学“三八红旗手”。研究方向为图像处理、模式识别、人工智能、情感计算、数据挖掘。IEEE Senior Member，中国电子学会高级会员。担任 PeerJ Computer Science等期刊编委，ICIGP 2022大会主席，2023年全国大数据及智能处理会议候任主席，ICIGP 2023大会候任主席。作为项目负责人，连续获得4项国家自然科学基金资助，承担了1项国家重点研发计划项目课题、4项子课题和1项山东省重大科技创新工程项目等等。在IEEE T-PAMI、IEEE T-IP、IEEE T-CSVT、IEEE T-MM、PR 、CVPR等国内外核心期刊会议上发表学术论文100余篇，1篇入选ESI高被引论文。
报告内容：本次报告深入分析现有微表情数据库的特点，通过合理设置实验环境，改进实验方法等措施，建立了种类齐全、图像分辨率最高的MMEW微表情数据集。MMEW 还提供了 900 个具有相同情绪类别的由同一组参与者的宏表情样本，有助于跨模态研究；并提出被试独立和被试依赖两种微表情识别性能的评测方法，在MMEW进行了统一公平比较；最后，探索和概述了一些潜在的未来研究方向。
参考文献：Ben, X., Ren, Y., Zhang, J., Wang, S. J., Kpalma, K., Meng, W., & Liu, Y. J. (2021). Video-based facial micro-expression analysis: A survey of datasets, features and algorithms. IEEE transactions on pattern analysis and machine intelligence.
李晓白博士，2017年于芬兰奥卢大学机器视觉与信号分析中心（Center for Machine Vision and Signal Analysis, CMVS）获得博士学位，现在奥卢大学CMVS任助理教授。她的研究领域包括多模态情感计算，微表情识别，远程生理信号测量，生物识别等等，在相关领域发表50余篇文章和两本专著，Google Scholar总引用数4300，H指数27。现担任IEEE TCSVT (CCF-B)，Image Vision Computing和 Frontiers in Psychology期刊的副编辑。
报告内容：“4DME：新的4D微表情数据库“，围绕我组最新发布的4DME数据集，介绍数据库的采集、标定、数据组成、基本实验结果、未来的研究方向，以及相关的问题讨论。
参考文献： Li, X., Cheng, S., Li, Y., Behzad, M., Shen, J., Zafeiriou, S., … & Zhao, G. (2022). 4DME: A spontaneous 4D micro-expression dataset with multimodalities. IEEE Transactions on Affective Computing.