计算机科学与探索

作者：马飞, 安佳祺, 杨飞霞, 徐光宪

单位：1. 辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 1251052. 辽宁工程技术大学 辽宁省无线射频大数据智能应用重点实验室，辽宁 葫芦岛 1251053. 辽宁工程技术大学 电气与控制工程学院，辽宁 葫芦岛 125105

关键词：微表情检测,自适应图注意力,多尺度可变空洞卷积,面部动作单元,长视频分析

基金：辽宁省教育科学“十四五”规划课题（JG24DB219）；辽宁省科技厅自然科学基金计划面上项目（2023-MS-314）；辽宁省教育厅高校科研业务经费项目（LJ242410147006）；辽宁工程技术大学GPU资源支持项目。

微表情检测旨在视频中定位幅度微弱、时间短暂的表情区间。其难点在于有效提取面部区域间的动态关联特征和多尺度时序特征，进而精准捕捉面部各区域微小动作之间的关联。针对这些问题，提出了一种融合自适应图注意力和多尺度可变空洞卷积的微表情检测网络（AG-DDNet）。通过引入参数可学习矩阵来实现键值对的特征变换，通过计算面部区域特征向量间的相似度得到动态邻接矩阵，并结合图注意力机制计算区域间权重系数，实现特征的动态融合；采用了多尺度可变空洞卷积模块，通过自适应池化与卷积组合的预测器生成动态感受野，从而实现多尺度的特征提取；引入基于Fisher信息矩阵的自然梯度优化机制，通过Fisher Adam优化器有效捕捉参数空间的几何结构信息，实现学习率的精确自适应调整，从而显著增强了模型对微表情和宏表情的协同检测能力。在微表情检测任务中，该算法与同类代表性算法相比，在CAS(ME)2数据集和SAMM Long Videos数据集上的性能分别提升了54.20%和20.11%。与最新算法相比，两个数据集上的提升幅度分别为38.43%和6.81%，有效证明了该方法在长视频微表情检测任务上的优越性能。

来源：2026年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第4期