//5.7——5.13

1.文章拟解决的问题

         旨在解决从细微短暂的面部变化中提取到有效特征，克服无关动作所带来的干扰，并且解决数据集不足和样本不平衡所带来的问题。

2.文章的创新点

• 提出了一种新的微表情识别框架——MER-Supcon。基于监督对比学习，在噪声分布下提取到关键的面部特征，减少无关因素对识别因素所带来的影响。

• 引入了一种双端微表情获取策略，考虑到了微表情从开始到顶峰以及偏移到顶峰的变化。有助于扩展数据集，提供更丰富的面部特征信息，并且减轻了因为微表情捕捉不及时所带来的影响。

• 采用监督对比学习方法。通过标签信息来避免正样本误判的问题，使相同类别的图像在嵌入空间时候更加的紧密，分类的准确性得以提升。

3.文章采用的技术

• 视频运动放大技术。放大视频序列当中的运动矢量，并且通过叠加权重达到增加视频中细小运动的表现，便于提取后续的特征。

• 光流法。根据亮度的恒常性质以及连续运动或小幅度运动的两个假设，计算像素之间的变化来描述面部的运动信息。采用融合深度卷积网络”Flownet 2.0“来获取光流图，从而捕捉到面部的细小运动。

• 监督对比学习。帮助模型在噪声分布下学习到可靠的微表情表示，提升分类的准确性。

• 数据增强模块。运用随即变换对输入帧进行处理，比如说水平翻转、灰度转换等，生成正负样本对，使模型能够学习到数据中固有的结构特征。

4.文章的结论及展望

4.1结论

        MER-Supcon通过结合视频运动放大技术和监督对比学习，解决了微表情中所存在的挑战。其在CASME II与SAMM数据集上取得了比较高的准确率，以及不错的F1分数，证实了该方法的有效性。

4.2未来展望

        通过进一步探索更加有效的数据增强策略，生成更多的训练样本，减少噪声的干扰，达到环节因为微表情数据集有限导致的过拟合。优化监督对比学习算法，尝试引入不同的损失函数或者调整模型架构来提高质量。