软件学报:jos:7630 · 记录 #1
微表情能够揭示人类试图隐藏的真实情感, 在谎言检测、医疗护理、深层次情感识别等领域中具有重大应用价值. 不同于宏表情, 微表情是短暂且细微的面部运动, 微表情数据集构建有着较高的门槛且耗时耗力, 因此微表情面临着数据量小、模型难以捕获细微短暂变化等困难. 微表情分析有着两个重要研究分支: 微表情识别和微表情检测, 目前基于深度学习的方法已经成为研究主流. 针对上述情况, 全面综述近年来基于深度学习的微表情识别和检测代表性工作和研究现状. 首先, 对常用的开源微表情数据集全面进行总结, 然后分别介绍微表情识别和检测的代表性研究工作, 对其进行分类梳理并讨论优点和局限性. 接着, 介绍微表情分析常用的评估协议和指标, 整合讨论各个方法的性能表现. 最后对微表情分析的整体发展状况进行总结并对未来研究方向进行展望.
这些页面提供论文线索，不代表同行评审或质量认证。
此版本尚未生成 AI 解读。解读由后台任务生成并按论文版本保存，登录后共享已有结果。
2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007630
目前只观测到一个版本，无法比较变化。之后收录新版本时，会在这里对照标题、作者、分类和摘要。
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
微表情能够揭示人类试图隐藏的真实情感, 在谎言检测、医疗护理、深层次情感识别等领域中具有重大应用价值. 不同于宏表情, 微表情是短暂且细微的面部运动, 微表情数据集构建有着较高的门槛且耗时耗力, 因此微表情面临着数据量小、模型难以捕获细微短暂变化等困难. 微表情分析有着两个重要研究分支: 微表情识别和微表情检测, 目前基于深度学习的方法已经成为研究主流. 针对上述情况, 全面综述近年来基于深度学习的微表情识别和检测代表性工作和研究现状. 首先, 对常用的开源微表情数据集全面进行总结, 然后分别介绍微表情识别和检测的代表性研究工作, 对其进行分类梳理并讨论优点和局限性. 接着, 介绍微表情分析常用的评估协议和指标, 整合讨论各个方法的性能表现. 最后对微表情分析的整体发展状况进行总结并对未来研究方向进行展望.
查看此版本解读 →查看此版本原文 ↗