牛 斌，張鑰迪，馬 利

(遼寧大學(xué) 信息學(xué)院，遼寧 沈陽(yáng) 110036)

0 引言

微表情是根據(jù)人們?cè)谌粘Ｉ钪星榫w變化而產(chǎn)生的無(wú)意識(shí)的、短暫的自發(fā)式面部表情，其最大優(yōu)勢(shì)是無(wú)法抑制，能夠顯露出人類(lèi)試圖隱藏的真正情感，且其持續(xù)時(shí)間短，最短僅持續(xù)1/25秒.與一般的面部表情相比，微表情發(fā)生時(shí)面部肌肉變化范圍小、強(qiáng)度低，但卻能展現(xiàn)出人類(lèi)的真實(shí)情感，因此，微表情識(shí)別在司法審訊[1]、心理咨詢(xún)[2]、交流談判[3]等領(lǐng)域具有極大的應(yīng)用價(jià)值.

自19世紀(jì)達(dá)爾文[4]開(kāi)始，人類(lèi)對(duì)面部表情的研究逐漸進(jìn)步.1966年，Haggard等[5]第一次提出了微表情的概念.Ekman等[6]在1969年將面部表情分成六類(lèi)：快樂(lè)、悲傷、驚訝、恐懼、憤怒、厭惡，在2002 年研制出第一個(gè)微表情訓(xùn)練工具(Micro Expression Training Tool，METT)，并進(jìn)行了日本人與高加索人短暫表情識(shí)別實(shí)驗(yàn)(Japanese and Caucasian brief affect recognition test，JACBART).相比于國(guó)外，國(guó)內(nèi)的微表情研究起步較晚.傅小蘭教授帶領(lǐng)其團(tuán)隊(duì)制作了CASME和CASME2數(shù)據(jù)集，為微表情識(shí)別領(lǐng)域的發(fā)展作出了巨大貢獻(xiàn).2010年，吳奇等[7]從心理學(xué)角度對(duì)微表情的研究進(jìn)行了總結(jié)，并分析了微表情的應(yīng)用領(lǐng)域.

2015年之前，微表情識(shí)別大部分還是使用手工提取特征(Handcrafted)的方式.Liu等[8]提出一種簡(jiǎn)單而有效的主方向平均光流(MDMO)特征，基于感興趣區(qū)域標(biāo)準(zhǔn)化統(tǒng)計(jì)特征，考慮局部運(yùn)動(dòng)信息及空間位置.Lu等[9]提出一種通過(guò)將光流差分的水平和垂直分量組合而產(chǎn)生的基于運(yùn)動(dòng)邊界直方圖(FMBH)融合的新特征.近幾年，利用深度學(xué)習(xí)技術(shù)來(lái)解決圖像問(wèn)題成為研究的熱點(diǎn)，采用深度學(xué)習(xí)方法的微表情識(shí)別研究逐步開(kāi)展.Wang等[10]提出一種新的注意力機(jī)制，即Micro-Attention與殘差網(wǎng)絡(luò)的結(jié)合，并且在處理小型數(shù)據(jù)集時(shí)，利用轉(zhuǎn)移學(xué)習(xí)方法來(lái)緩解過(guò)擬合風(fēng)險(xiǎn).Reddy等[11]提出了利用三維時(shí)空卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行微表情識(shí)別的方法(MicroExpSTCNN).Peng等[12]提出了基于頂點(diǎn)幀的空間信息以及其相鄰幀的時(shí)間信息分別使用CNN和LSTM進(jìn)行微表情識(shí)別的方法(ATNet).但是，現(xiàn)階段微表情識(shí)別的研究方法中均沒(méi)有強(qiáng)調(diào)模型的可解釋.

可解釋性是模型公正性的重要考察因素.人類(lèi)大多數(shù)決策是基于邏輯和推理，而由機(jī)器做出決策無(wú)疑會(huì)受到質(zhì)疑，甚至在很多時(shí)候，有偏差的分類(lèi)模型會(huì)產(chǎn)生一些負(fù)面影響，如預(yù)測(cè)潛在的犯罪、信用評(píng)分等，因此對(duì)分類(lèi)模型的理解和進(jìn)行解釋是至關(guān)重要的.現(xiàn)如今的科研方面正在致力于模型的可解釋性，Chakraborty等[13]概述了一些對(duì)模型可解釋性有用的維度，并按照這些維度對(duì)先前的工作進(jìn)行分類(lèi)，在此過(guò)程中，對(duì)需要采取的措施進(jìn)行差距分析，以提高模型的可解釋性.Zhang等[14]提出一種將傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)修改為可解釋CNN的方法，以闡明CNN卷積層中的知識(shí)表示，其可解釋的CNN使用與普通CNN相同的訓(xùn)練數(shù)據(jù)，且無(wú)需任何用于監(jiān)督的對(duì)象部分或紋理的注釋.可解釋的深度學(xué)習(xí)模型也被用于各行各業(yè)，如醫(yī)學(xué)[15，16]，噴氣式飛機(jī)[17]，生物學(xué)[18]等.

盡管可解釋的模型運(yùn)用逐漸增多，但復(fù)雜模型的內(nèi)部運(yùn)作仍然還是黑盒子，如果沒(méi)有能力來(lái)解釋這樣的模型，就不能完全支持模型的決策.在微表情領(lǐng)域，無(wú)論其準(zhǔn)確性如何，如果不能理解模型的決策，那么將不能保證模型決策的公正性，這種缺點(diǎn)會(huì)妨礙模型的實(shí)際運(yùn)用，如在司法審訊中，如果不能保證模型決策的公正，那么便不能保證司法的公平公正.鑒于此，本文對(duì)應(yīng)用于3D人類(lèi)動(dòng)作識(shí)別的可解釋時(shí)間卷積網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，提出了基于殘差單元的可解釋時(shí)空卷積網(wǎng)絡(luò)模型(Residual-Spatiotemporal Convolutional Network，Res-STCN).本文方法將原本應(yīng)用于骨架特征點(diǎn)提取的一維卷積核調(diào)整為二維，以便更好地適應(yīng)微表情識(shí)別輸入的視頻幀序列，除此之外，對(duì)網(wǎng)絡(luò)模型層數(shù)進(jìn)行調(diào)整并修改了卷積核尺寸，使其更好地運(yùn)用在微表情識(shí)別領(lǐng)域，并在CASME2、SAMM和SMIC數(shù)據(jù)集上進(jìn)行驗(yàn)證，證明了在保證Res-STCN可解釋性的基礎(chǔ)上，提高了模型在微表情識(shí)別上的準(zhǔn)確率.

1 基于殘差單元的可解釋時(shí)間卷積網(wǎng)絡(luò)

可解釋性是人能夠充分認(rèn)知、理解模型在其決策過(guò)程中如何選擇決策的方法、進(jìn)行決策的原因和決策的內(nèi)容.而模型的可解釋性和模型的性能之間往往有一個(gè)權(quán)衡，這里的性能指模型作出分類(lèi)預(yù)測(cè)的準(zhǔn)確度.例如決策樹(shù)模型，雖然它的預(yù)測(cè)原理很好直觀理解，但是模型性能卻比較低.所以本文在保證模型性能的基礎(chǔ)上，使模型具有可解釋性.

按照可解釋性方法進(jìn)行的過(guò)程可以劃分為三類(lèi)，即在建模之前的可解釋性方法、建模本身具備可解釋的模型、在建模之后使用可解釋性方法對(duì)模型作出解釋.本文的可解釋性是在建模后通過(guò)模型結(jié)果來(lái)反向理解決策的原因，并保證模型有一個(gè)較好的性能，即在微表情識(shí)別上有一個(gè)較高的準(zhǔn)確率.

1.1 可解釋時(shí)間卷積網(wǎng)絡(luò)

時(shí)間卷積網(wǎng)絡(luò)(Temporal Convolution Network，TCN)是由Lea等[19]提出，其提出的TCN僅使用時(shí)間卷積、Pooling和上采樣，但可以有效地捕捉長(zhǎng)時(shí)程模式(long-term temporal patterns)，并且比基于LSTM的神經(jīng)網(wǎng)絡(luò)更快地訓(xùn)練.TCN采用編碼器、解碼器結(jié)構(gòu)，具體結(jié)構(gòu)如圖1所示.編碼器有L層，表示為E(l)∈RFl×Tl，其中Fl是第l層中的卷積濾波器數(shù)量，Tl是相應(yīng)時(shí)間步長(zhǎng)的數(shù)量.每個(gè)層由時(shí)間卷積，非線性激活函數(shù)和跨時(shí)間的最大池化組成.

E(l)=max_pooling(f(W*E(l-1)+b))

(1)

解碼器類(lèi)似于編碼器，不同之處在于池化替換為上采樣，并且操作順序變?yōu)樯喜蓸?，卷積和激活函數(shù).

模型參數(shù)與其隱藏層之間缺乏明確的關(guān)系是當(dāng)前時(shí)空模型可解釋性的最大障礙，添加殘差單元，通過(guò)跳躍連接與恒等映射的連接將不同層的特征進(jìn)行連接，在不增加額外參數(shù)和計(jì)算復(fù)雜性的情況下，充分利用不同層的特征.通過(guò)將較深層分解為殘差單元來(lái)重新設(shè)計(jì)的TCN，可以產(chǎn)生可解釋的隱藏表示和模型參數(shù).

1.2 基于殘差單元的可解釋TCN

在原始的可解釋時(shí)間卷積網(wǎng)絡(luò)中，為了提高模型的可解釋性以及具有語(yǔ)義含義的輸入，引入了跳躍連接與恒等映射的連接，即殘差單元[24]，并對(duì)殘差單元進(jìn)行了堆疊，如圖2所示，其中Xl是l-1層的輸出和第l層的輸入，而Xl+1是第l層的輸出和l+1層的輸入.與傳統(tǒng)的殘差單元相比，堆疊殘差單元將激活函數(shù)(BatchNorm和ReLU)放在權(quán)重層之前，這樣使得訓(xùn)練變得更加簡(jiǎn)單，同時(shí)也提高了網(wǎng)絡(luò)的泛化能力.

激活函數(shù)是通過(guò)在時(shí)間上卷積可學(xué)習(xí)的空間濾波器并通過(guò)ReLU單元傳遞輸出來(lái)進(jìn)行計(jì)算.在ReLU網(wǎng)絡(luò)中，向前-向后傳遞的迭代之后，進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化，這使得在下一次迭代中，卷積濾波器將獲得一個(gè)正值，迫使網(wǎng)絡(luò)學(xué)習(xí)有區(qū)別的時(shí)空特征.

2 應(yīng)用于微表情識(shí)別的可解釋時(shí)空卷積網(wǎng)絡(luò)

2.1 基于Res-STCN的微表情識(shí)別過(guò)程

本文提出的Res-STCN的微表情識(shí)別方法框架如圖3所示，首先采用時(shí)間插值模型(TIM)[20]將不同長(zhǎng)度的視頻幀序列調(diào)整成相同長(zhǎng)度，然后將每張圖像像素調(diào)整到相同尺寸，使每個(gè)樣本的輸入數(shù)據(jù)格式相同，以便更好地輸入到Res-STCN網(wǎng)絡(luò)中.接著，將調(diào)整好的微表情幀序列與相對(duì)應(yīng)的微表情分類(lèi)標(biāo)簽輸入到Res-STCN網(wǎng)絡(luò)中實(shí)現(xiàn)微表情分類(lèi).

2.2 改進(jìn)的Res-STCN模型可解釋性

對(duì)Res-STCN模型進(jìn)行解釋?zhuān)梢栽诮o出微表情識(shí)別結(jié)果的同時(shí)，為結(jié)果提供論據(jù)，使人們更好地接受實(shí)驗(yàn)結(jié)果，從而增加對(duì)模型的信任度.

為了使基于殘差單元的時(shí)間卷積網(wǎng)絡(luò)(Residual-Temporal Convolutional Network，Res-TCN)更好地運(yùn)用到微表情識(shí)別領(lǐng)域中，將空間信息添加到Res-TCN中，提出基于殘差模塊的時(shí)空卷積網(wǎng)絡(luò)(Res-STCN)，同時(shí)為了使網(wǎng)絡(luò)具有可解釋性，對(duì)網(wǎng)絡(luò)中特征的各個(gè)維度進(jìn)行解釋.原始的Res-TCN是在3D動(dòng)作識(shí)別中，根據(jù)骨架運(yùn)動(dòng)過(guò)程進(jìn)行識(shí)別，其輸入是視頻序列在時(shí)間上逐幀連接而成的骨架特征.而微表情識(shí)別是基于面部肌肉輕微變化進(jìn)行識(shí)別，因此改進(jìn)后的Res-STCN輸入X0為經(jīng)過(guò)預(yù)處理調(diào)整好的相同長(zhǎng)度和分辨率的視頻幀序列.

X1為第一層中不經(jīng)過(guò)任何非線性激活函數(shù)，即僅使用濾波器進(jìn)行卷積，即

X1=W1X0

(3)

X0∈P×P×T，其中P表示輸入圖像像素，T表示視頻幀序列長(zhǎng)度，W1為濾波器集合.

在l≥2的殘差單元中，先在Xl-1上進(jìn)行激活函數(shù)(BatchNorm和ReLU)操作，然后再使用Wl中的濾波器進(jìn)行卷積操作.由于ReLU操作，因此梯度僅經(jīng)過(guò)Xl-1的正區(qū)域，可以使網(wǎng)絡(luò)學(xué)習(xí)有區(qū)別的時(shí)空特征.

對(duì)于第l(l≥2)層中的每個(gè)單元執(zhí)行以下計(jì)算

F(Wl,Xl-1)=Wl*σ(Xl-1)

(4)

Xl=Xl-1+F(Wl,Xl-1)

(5)

其中，F(xiàn)表示卷積操作，Xl-1表示l層的輸入，Wl為參數(shù)集合，σ表示激活函數(shù).若σ為ReLU，則Wl*σ(Xl-1)可重寫(xiě)為Wl*max(0,Xl-1).在Res-STCN網(wǎng)絡(luò)中，第一層是在經(jīng)過(guò)預(yù)處理后的輸入視頻幀序列上運(yùn)行，并將生成的映射Xl在后續(xù)層上傳遞.因此，在第N個(gè)殘差單元上，XN可表示為

(6)

在網(wǎng)絡(luò)的最后一個(gè)合并層之后使用全局平均運(yùn)算，并增加一個(gè)Softmax層，使神經(jīng)元的數(shù)量與微表情分類(lèi)數(shù)相等，具體結(jié)構(gòu)如圖4所示.第一層通過(guò)一個(gè)8×8卷積，將輸入數(shù)據(jù)X0進(jìn)行卷積，結(jié)果輸入到后面的殘差單元中.在每層殘差單元中，均使用5×5卷積，最后一層殘差單元后，將合并結(jié)果通過(guò)平均池化操作后，輸入到全連接層，經(jīng)過(guò)Softmax函數(shù)計(jì)算，輸出分類(lèi)結(jié)果.

理解微表情分類(lèi)預(yù)測(cè)模型背后的原因在評(píng)估模型信任度方面非常重要，如果計(jì)劃將模型應(yīng)用于實(shí)際的工業(yè)中，則對(duì)模型的信任是至關(guān)重要的.本文從模型的輸入微表情視頻幀出發(fā)，對(duì)模型的輸入輸出進(jìn)行解釋?zhuān)斫饽Ｐ蜎Q策原因，并對(duì)模型性能進(jìn)行測(cè)試.

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

表1 微表情數(shù)據(jù)集概述

在我們的實(shí)驗(yàn)中使用了三個(gè)微表情數(shù)據(jù)集，分別是CASME2、SAMM和SMIC.表1總結(jié)了這三個(gè)數(shù)據(jù)集.

3.1.1 CASME2

CASME2數(shù)據(jù)集是在2014年由中國(guó)科學(xué)院心理研究所的傅小蘭團(tuán)隊(duì)設(shè)計(jì)的，具有高時(shí)間(200 fps)和空間分辨率(面部區(qū)域約280×340像素).該數(shù)據(jù)集通過(guò)適當(dāng)?shù)膶?shí)驗(yàn)設(shè)計(jì)和照明，在一個(gè)控制良好的實(shí)驗(yàn)室環(huán)境中引出參與者的面部表情.該數(shù)據(jù)集包含26個(gè)受試者(11名男性，15名女性)，在近3 000個(gè)面部動(dòng)作中，為數(shù)據(jù)集選擇了247個(gè)微表情，是目前微表情識(shí)別最常用的數(shù)據(jù)集.

3.1.2 SAMM

SAMM數(shù)據(jù)集是2016年由英國(guó)曼徹斯特城市大學(xué)的Davison等人提出的，同樣使用200fps的高速相機(jī)捕獲動(dòng)作信息，圖像分辨率為960×650像素，包含通過(guò)情緒誘導(dǎo)實(shí)驗(yàn)獲得的159個(gè)自發(fā)的微表情，其來(lái)自32名受試者，其中包括13個(gè)不同的種族，平均年齡為33.24歲(標(biāo)準(zhǔn)差11.32，年齡在19到57歲之間)，女性有17名.

3.1.3 SMIC

SMIC數(shù)據(jù)集是Li等在FG2013上發(fā)布的，所有數(shù)據(jù)均由100 fps的高速相機(jī)記錄，圖像分辨率為640×480像素，在20名受試者中，使用了其中16名受試者的164個(gè)自發(fā)式微表情.

3.2 具體實(shí)現(xiàn)

本文實(shí)現(xiàn)過(guò)程采用的實(shí)驗(yàn)平臺(tái)為NVIDIA GTX 1080顯卡，志強(qiáng)4核E3處理器，使用Keras深度學(xué)習(xí)框架和TensorFlow后端.

在將圖像序列輸入到網(wǎng)絡(luò)之前，需要對(duì)圖像序列進(jìn)行預(yù)處理.首先使用時(shí)間插值模型將視頻幀長(zhǎng)度固定為10，隨后視頻幀的大小調(diào)整到64×64像素分辨率，以匹配網(wǎng)絡(luò)的輸入維度.在實(shí)驗(yàn)過(guò)程中，為了找到更好的輸入數(shù)據(jù)，將SMIC數(shù)據(jù)集的TIM分別設(shè)置為10和18，實(shí)驗(yàn)結(jié)果表明TIM為10時(shí)，準(zhǔn)確率比TIM為18高3.03%，因此TIM為10時(shí)效果更好.除此之外，還將視頻幀分辨率分別調(diào)整為64×64，128×128，200×200，根據(jù)實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)視頻幀分辨率對(duì)微表情分類(lèi)準(zhǔn)確率沒(méi)有影響，因此本文采用64×64的分辨率.關(guān)于卷積核尺寸的確定，本文亦進(jìn)行了多次試驗(yàn)選擇效果最好的，如圖5是Res-STCN的第一層不同卷積核處理的結(jié)果，由于微表情肌肉變化主要集中在眼睛、鼻子和嘴附近，因此可以發(fā)現(xiàn)8×8卷積核更適合用于64×64像素視頻幀的微表情識(shí)別.

在實(shí)驗(yàn)中，本文將數(shù)據(jù)集分為80%的訓(xùn)練集和20%的測(cè)試集，進(jìn)行了多次對(duì)比實(shí)驗(yàn).因?yàn)樵趯?shí)驗(yàn)中epochs到達(dá)100時(shí)，loss基本穩(wěn)定，故本文將epochs設(shè)置為100，由于數(shù)據(jù)樣本較小，因此將batch大小設(shè)置為4，訓(xùn)練時(shí)使用Adam進(jìn)行優(yōu)化，正則化強(qiáng)度為0.001，在10個(gè)epoch中模型性能不能提升時(shí)，學(xué)習(xí)率減少為之前的1/10.

3.3 結(jié)果與分析

通過(guò)上述參數(shù)設(shè)置，改進(jìn)后的Res-STCN可以更好地適應(yīng)微表情識(shí)別.在CASME2、SAMM和SMIC數(shù)據(jù)集上分別進(jìn)行微表情識(shí)別分類(lèi)，結(jié)果混淆矩陣圖6、圖7和圖8所示，矩陣的每一列代表數(shù)據(jù)集所提供的的微表情分類(lèi)標(biāo)準(zhǔn)，每一行代表Res-STCN識(shí)別的表情分類(lèi)結(jié)果，表中對(duì)角線為正確分類(lèi)比例，其余為錯(cuò)誤的分類(lèi)比例.

圖6顯示了本文所提出方法在CASME2數(shù)據(jù)集上的驗(yàn)證結(jié)果.由于害怕(fear)樣本只有2個(gè)，悲傷(sadness)樣本只有7個(gè)，不能很好地表現(xiàn)識(shí)別的準(zhǔn)確率，因此在訓(xùn)練及測(cè)試集中均不考慮該分類(lèi)，僅考慮高興(happiness)、驚訝(surprise)、厭惡(disgust)和抑郁(repression).其中厭惡表情由于數(shù)據(jù)集樣本較多，因此有更好的識(shí)別準(zhǔn)確率，而悲傷表情測(cè)試集僅有2個(gè)樣本，因此準(zhǔn)確率較低.

圖7顯示了本文所提出方法在SAMM數(shù)據(jù)集上的驗(yàn)證結(jié)果，在該數(shù)據(jù)集上驗(yàn)證了生氣(anger)、鄙視(contempt)、高興(happiness)和驚訝(surprise)4個(gè)類(lèi)別.在該數(shù)據(jù)集上鄙視表情測(cè)試樣本僅有2個(gè)，因此準(zhǔn)確率較低，而驚訝表情雖然測(cè)試樣本也較少僅有3個(gè)，但由于發(fā)生驚訝表情時(shí)面部肌肉變化與其它表情相差較大，因此有很好的準(zhǔn)確率.

圖8顯示了本文所提出方法在SMIC數(shù)據(jù)集上的驗(yàn)證結(jié)果，在該數(shù)據(jù)集上測(cè)試了積極(positive)、消極(negative)和驚訝(surprise)3個(gè)微表情類(lèi)別.在該數(shù)據(jù)集上由于微表情類(lèi)別較少，且測(cè)試樣本數(shù)量比較均勻，因此在該數(shù)據(jù)集上3個(gè)類(lèi)別的準(zhǔn)確率差距較小且均有不錯(cuò)的表現(xiàn).

將本文的方法結(jié)果與一些經(jīng)典手工制作的方法(如：LBP-TOP和MDMO)和最新深度學(xué)習(xí)方法進(jìn)行比較，結(jié)果如表2所示.

表2 本文所提出方法與經(jīng)典方法及最新方法對(duì)比

LBP-TOP方法數(shù)據(jù)來(lái)自于CASME2、SAMM和SMIC數(shù)據(jù)集提供者，均采用LOSO(Leave One Subject Out)的交叉驗(yàn)證方法.在CASME2數(shù)據(jù)集上MicroExpSTCNN僅考慮高興、生氣和厭惡3個(gè)樣本量較大的表情，因此得到了非常高的準(zhǔn)確率，而本文方法與其他方法都是對(duì)5個(gè)微表情進(jìn)行分類(lèi)識(shí)別，因此準(zhǔn)確率相對(duì)MicroExpSTCNN較低，而相較于其他方法有一定提升，僅次于ATNet，但ATNet使用CNN和LSTM相結(jié)合的雙流時(shí)空網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)較復(fù)雜，而本文網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單.在SAMM和SMIC數(shù)據(jù)集上，相較于其他深度學(xué)習(xí)方法，本文提出的Res-STCN方法均有較好的準(zhǔn)確率，而與LBP-TOP和MDMO兩個(gè)手工特征方法相比，還存在一些不足，但是手工構(gòu)建的特征需要耗費(fèi)大量的人力成本，而深度學(xué)習(xí)方法不需要人為干預(yù)就可以選取所需的特征，節(jié)省了大量的人力資源.

4 總結(jié)

本文提出一種基于殘差模塊的可解釋時(shí)空卷積網(wǎng)絡(luò)模型的微表情識(shí)別方法，對(duì)于給定可解釋的輸入，即微表情視頻幀序列，解釋Res-STCN中模型參數(shù)和特征，實(shí)現(xiàn)了模型的可解釋性.在模型性能方面，本文在CASME2、SMIC、SAMM數(shù)據(jù)集上進(jìn)行了訓(xùn)練和測(cè)試，實(shí)驗(yàn)結(jié)果證明在微表情識(shí)別準(zhǔn)確度上，本文方法與其他深度學(xué)習(xí)方法相比有顯著提升.