< h2 >新科技：自適應時空關注神經網路跨資料庫微表情識別< /h2 >
< h3 >引言< /h3 >
隨著智慧系統和裝置的普及，人機互動技術變得日益重要。這項技術使得智慧硬體能夠從人類身上獲取生理和行為訊息並加以處理，從而實現特定的任務，為日常生活提供便利，提高社會效率。人機互動技術與許多重要的研究領域密切相關。在人機互動過程中，情緒識別是一個重大挑戰，因為理解人類的情緒狀態難以而且又非常重要，對於智慧機器相互作用過程中至關重要。近年來透過識別面部微表情來識別人類情緒變得越來越流行。微表情是短暫且無意識的面部表情，由微小的面部肌肉運動組成，出現在人嘗試隱藏情感時。因此微表情通常可以揭示人類的真實情緒狀態，傳達比普通面部表情更多的重要訊息。因此自動識別微表情具有許多領域的潛在應用價值，例如臨床診斷、安全工作和人機互動。
< h3 >技術細節: 自適應時空關注神經網路< /h3 >
本文提出了一種自適應時空關注神經網路 (Adaptive Spatio-Temporal Attention Neural Network, ASTANN) 用於跨資料庫微表情識別 (Cross-Database Micro-Expression Recognition, CDMER)。首先對資料庫進行預處理，提取光流訊息。然後，將光流訊息與面部影象相結合，生成新的表示。接著，選擇新表示的三個影象作為動態表情序列，並將其融入網路進行進一步的時空特徵提取。最後開發了一個簡單而有效的損失函數，用於最佳化網路引數，減輕來源和目標資料庫之間的分布差異。這個模型的主要優勢在於它利用了一個帶有時空關注機制的深度神經網路，專注於微表情的微妙和瞬間特徵，從而解決了跨資料庫微表情識別問題。透過使用時空關注，該架構能夠自動捕捉在微表情樣本中空間和時間域稀疏的有用訊息。關注機制透過計算空間和時間域中樣本的關注權重引入，突出了在基礎框架的樣本中更有用的訊息。在神經網路的第一個全存取層中採用了一種簡單而有效的域自適應方法，將相關性校準（CORAL）損失嵌入其中從而顯著提高了跨資料庫任務的效能。在兩個基準任務上進行了實驗，結果顯示作者的方法在效能上優於現有方法（SOTA）。在未來，研究人員希望探討結合文字和音訊等多模式訊息是否可以幫助識別過程，這是一個重要的問題，可以對 CDMER 研究領域做出貢獻。
< h3 >總結< /h3 >
本研究提出了一種自適應時空關注神經網路 (ASTANN) 用於跨資料庫微表情識別，該模型利用了深度神經網路和時空關注機制，能夠自動捕捉微表情樣本中的重要訊息。這一研究對於解決人機互動過程中的情緒識別問題以及在臨床診斷、安全工作和人機互動等領域中應用微表情識別具有重要意義。透過實驗取證，ASTANN 方法在跨資料庫微表情識別任務中取得了優異的效能，優於現有方法。未來的研究方向包括研究結合多模式訊息的情緒識別方法，以進一步提升微表情識別的效能，並探索該技術在更廣泛領域的應用。
< h4 >參考文獻< /h4 >
Yuhan Ran 等人，"Adaptive spatio-temporal attention neural network for cross-database micro-expression recognition"，Virtual Reality & Intelligent Hardware (2023)。
https://techxplore.com/news/2023-06-spatio-temporal-attention-neural-network-cross-database.html
< h4 >關鍵詞：< /h4 >
人工智慧、跨資料庫、微表情識別、自適應、時空關注、神經網路
Artificial Intelligence-跨資料庫,微表情識別,自適應,時空關注,神經網路
