.png){kind=icon}
返回
Meta-RL Based Micro-Expression Recognition Framework Using MAML with Calibrated Regression Function
.png){kind=icon}
OA
AI
DOI：10.1007/s44196-025-01108-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微表情识别（MER）在理解人类情感方面发挥着关键作用，但其有效性常因微表情的短暂性和细微性而受限。本文提出了一种新颖的MER框架，整合了校准回归与最大均值差异（MMD）、模型无关元学习（MAML）和元强化学习（Meta-RL），以提高识别准确率和适应性。二维卷积神经网络（2DCNN）被用作特征提取的骨干网络，捕捉面部表情（FEs）的精细空间细节。为解决特征对齐挑战，引入异方差神经网络（HNN）进行预测不确定性估计。采用两阶段学习过程，其中负对数似然（NLL）优化细化模型参数，MMD确保微表情与宏表情之间的更好对齐。此外，Meta-RL框架通过刻画MAML实现的不动点最优间隙来优化特征学习，并提升泛化能力。在SAMM和CASME II等基准数据集上的广泛实验表明，所提出的方法具有优势，在SAMM上达到96.74%的准确率，在CASME II上达到98.84%的准确率，超越了当前最优模型。结果表明该模型具有鲁棒性、适应性和有效性，非常适合用于实际微表情分析应用。
Keyword:
Micro-Expression Recognition
Model-Agnostic Meta-Learning
Maximum Mean Discrepancy
Calibrated regression
And Meta-Reinforcement Learning
期刊
IF:
3
论文数:
362
被引数:
2.7K
机构
引用论文
Fall detection method based on spatio-temporal coordinate attention for high-resolution networks基于时空坐标关注的高分辨率网络跌倒检测方法OAAI
OAAI分享收藏Reinforcement Learning Algorithms and Applications in Healthcare and Robotics: A Comprehensive and Systematic Review.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Micro-expression recognition by fusing action unit detection and Spatio-temporal features通过融合动作单元检测和时空特征的表情微表情识别ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容