Key points are not available for this paper at this time.
التعبيرات الدقيقة (ME) هي ردود فعل غريزية لا تتحكم فيها الأفكار. تكشف عن المشاعر الداخلية للفرد، وهي مهمة في تحليل المشاعر والكشف عن الكذب. نظرًا لأن التعبيرات الدقيقة تُعبر عن تغييرات وجهية خفية ضمن وحدات عمل وجهية معينة، فإن تعلم ميزات تمييزية وعامة للتعرف على التعبيرات الدقيقة (MER) يعد تحديًا. لتحقيق هذا الهدف، تقترح هذه الورقة إطار MER جديد يدمج في الوقت نفسه تعلم المقاومة الذاتي للمساحة القائم على النموذج (PMCL) للتعدين عن الميزات التمييزية، ويضيف إعادة بناء التعبير الذاتي (SER) كمهام مساعدة وتقييد من أجل تحسين التعميم. بشكل خاص، يتم فرض وحدة SER المقترحة كتقييد من خلال إعادة بناء ME المدخل من ميزات تم إسقاطها عشوائيًا في نطاق الزجاجة. ومن جهة أخرى، تقارن وحدة PMCL عالميًا الوكلاء العنقوديين التاريخيين والحاليين المتعلمين من حالات التدريب لتعزيز كثافة الفئة الداخلية وقابلية الفصل بين الفئات. تم إجراء تجارب شاملة على ثلاثة معايير، مثل SMIC وCASME II وSAMM، تحت معايير تقييم كل من تقييم قاعدة البيانات المركبة (CDE) وبروتوكولات تقييم قاعدة البيانات الفردية (SDE). تظهر النتائج أن طريقتنا تتفوق على الأساليب الحديثة الأخرى تحت مقاييس تقييم متنوعة، حيث تحقق 86.30% بشكل عام من نقطة F1 غير الموزونة و88.30% من الاسترجاع المتوسط غير الموزون على مجموعة البيانات المركبة. علاوة على ذلك، تثبت دراسات الإلغاء فعالية SER لدينا لتحسين التعميم وPMCL من أجل تمييز أفضل في تعلم تمثيل الميزات من عينات التعبير الدقيق المحدودة.
درس باو وزملاؤه (الثلاثاء) هذا السؤال.