Micro-Expression Spotting Based on Deep Self-Adaptive Scaling Network

### 基于深度自适应缩放网络的微表情检测方法 在计算机视觉领域，微表情（Micro-expression, ME）是一种短暂而快速的表情变化，通常持续时间仅为几十毫秒到一秒之间。由于其短时性和细微特征，传统的手工设计特征提取方法难以有效捕捉这些动态信息。近年来，随着深度学习技术的发展，研究者提出了多种基于卷积神经网络（CNNs）的方法来解决这一挑战。 #### 深度自适应缩放网络简介 一种名为 **Deep Self-Adaptive Scaling Network (DSASN)** 的模型被提出用于微表情检测任务[^1]。该模型的核心思想在于通过多尺度分析和自适应权重调整机制，增强对不同时间和空间分辨率下微弱信号的学习能力。具体而言： 1. **多尺度特征提取模块** DSASN 集成了多个并行分支结构，每个分支负责处理特定的空间或时间尺度下的输入数据。这种架构能够捕获从局部细节到全局模式的不同层次的信息。 2. **自适应加权融合策略** 不同尺度上的特征可能具有不同的重要性，在实际应用中无法预先设定固定的权重分配方案。因此，引入了一个可训练参数化的注意力机制，自动计算各路径贡献的比例系数，并将其应用于最终决策层之前完成特征级联操作。 3. **端到端优化框架** 整体流程采用监督方式构建损失函数指导整个系统的联合调优过程。相比传统两阶段方法先单独预估再组合结果的方式更加高效稳定。 以下是实现上述功能的一个简化版伪代码表示形式： ```python import torch.nn as nn class DSASNet(nn.Module): def __init__(self): super(DSASNet, self).__init__() # 定义多尺度子网 self.scale_1 = ScaleModule() self.scale_2 = ScaleModule() ... # 自适应权重模块 self.attention_layer = AttentionLayer() def forward(self, x): features_scales = [] scales_output = [self.scale_1(x), self.scale_2(x)] # 获取各个尺度的结果 for output in scales_output: features_scales.append(output) combined_features = torch.cat(features_scales, dim=1) # 特征拼接 weighted_combined = self.attention_layer(combined_features) # 加入注意力建模 return weighted_combined ``` 此部分描述了如何利用 CNN 提取图像序列中的潜在表征以及后续分类预测逻辑等内容。 #### 数据集与实验评估指标 为了验证所提算法的有效性，研究人员选取了几种公开可用的标准数据库进行测试对比实验，其中包括 SMIC-HD 和 CASME II 等知名资源库。主要关注以下几个方面性能表现情况: - 准确率(Accuracy): 表明识别正确样本占总数量比例大小； - 召回率(Recall/F1 Score): 综合考虑正类发现能力和误报控制水平之间的平衡关系； - 平均精度(Mean Average Precision,mAP): 对检索排名列表质量进行全面衡量标准之一； 通过对以上几个维度数值统计比较可以看出，相较于其他先进解决方案来说，本项目取得了较为理想的效果提升成果。 ---