1、“.....它是递归神经网络中的种变换形式，它能够充分的利用数据的上下文信息，在对序列的识别任务表情的工具，对于每帧图片，我们把最后个全连接层的维的向量输出作为提取的特征。那么给定个时间点，我们取之前的帧图片。然后将这些图片传入到训练好的模型中，然后提取出帧图片的特征，如果个序列的特征数目不足，那么用向量补全，每个特征的维度为，接基于深度神经网络的微表情识别论文原稿作卷积神经网络模型卷积神经网络模型最早是由等在年首次提出，现已在图像识别领域取得巨大成功，它能够发现隐藏在图片中的特征，相比人工提取的特征更具有区分度......”。

2、“.....长短时记忆型递归神经网络设计尽管已经从人脸微表结构的精心设计。个常规的结构如图所示。本文决定使用卷积神经网络来提取人脸微表情特征，它能让机器自主地从样本数据中学习到表示这些微表情的本质特征，而这些特征更具有般性。由于微表情的特性，要充分利用微表情的上下文信息才能更为精确的识别微表值共享是指每个神经元和上层的部分神经元所连接的每条边的权值，和当前层其他神经元和上层连接的每条边的权值是样的，首先這样减少了需要训练的参数个数，其次我们可以把这种模式作为提取整个图片特征的种方式。降采样是指通过将定范围内的像素点压缩为个像素点......”。

3、“.....图显示输入的序列个数为左右能够拥有相对较高的准确率，这说明只有充分利用每个微表情序列的时域信息，这样，训练出的模型才更加具有般性。卷积神经网络通过种方式来让网络所表中我们可以看出，添加了策略的，在人臉微表情识别上的表现要好于没有添加策略的，这可能是因为训练图片较少，而网络层次较深，导致没有添加策略的在训练参数的过程中很容易就过拟合了。而对于的表现要好于单的模型，这说的识别率低和预处理复杂等缺点，本文提出了采用深度神经网络的方法来对微表情进行识别......”。

4、“.....层负责提取微表情的静态图像特征，层将提取到的卷积特征进行整合，而得到这些特征在时域上的信息于单的模型，这说明的确能够充分利用时域上的特征信息，从而能够更好识别序列数据，这证明了的模型可以用于识别人脸微表情的可行性。从表中，我们还可以看出高兴和惊讶的表情识别率较高，而其他的则相对较低，这可能是因为高兴和惊讶的区分的参数调整下面我们逐的研究不同参数对模型的微表情识别率的影响程度。图显示输入的序列个数为左右能够拥有相对较高的准确率，这说明只有充分利用每个微表情序列的时域信息，这样，训练出的模型才更加具有般性......”。

5、“.....从而能够更好识别序列数据，这证明了的模型可以用于识别人脸微表情的可行性。从表中，我们还可以看出高兴和惊讶的表情识别率较高，而其他的则相对较低，这可能是因为高兴和惊讶的区分度较大，并且样本较多。通常称之为微表情。在刑侦医学教育心理和国防等领域上，微表情的应用前景十分远大，不过即便是经过训练的人也很难用肉眼来准确的检测和识别微表情。其主要原因就是它的持续时间短，仅为，而且动作幅度很小。表示结合了和的网络模型。从边的权值是样的，首先這样减少了需要训练的参数个数......”。

6、“.....降采样是指通过将定范围内的像素点压缩为个像素点，使图像缩放，减少特征的维度，通常在卷积层之后用来让各层所得到的特征具有平移缩放不变形，从而使特征具有，进而对这些信息进行分类训练。在数据集下，该方法对类表情的识别率比传统方法高。关键词微表情识别卷积神经网络长短时记忆引言人们的内心想法通常都会表现在面部表情上，然而在些极端环境下，人们为了压抑自己的真实内心情感时，他们的面部变化十分微小，我们度较大，并且样本较多。基于深度神经网络的微表情识别论文原稿。摘要微表情是种极为短暂的面部表情......”。

7、“.....就会不自觉的流露出来。由于微表情的持续时间短，动作幅度小等特点，检测和识别微表情就变得尤为困难。为了解决传统图像识别的方的网络模型。从表中我们可以看出，添加了策略的，在人臉微表情识别上的表现要好于没有添加策略的，这可能是因为训练图片较少，而网络层次较深，导致没有添加策略的在训练参数的过程中很容易就过拟合了。而对于的表现要好强的泛化性。长短时记忆型递归神经网络模型长短时记忆模型是由提出，它解决了传统在处理长序列数据时存在的梯度消失问题，这切都要归结于结构的精心设计。个常规的结构如图所示......”。

8、“.....而不是般神经网络里所要求的全连接，这样每个神经元能够感受到局部的视觉特征，然后在更高层将局部信息进行整合，进而得到整个图片的描述信息。权值共享是指每个神经元和上层的部分神经元所连接的每条边的权值，和当前层其他神经元和上层连接的每条中表现优异，近几年来它被充分的利用到自然语言处理语音识别机器翻译等领域。综上所述，本文提出种和结合的微表情识别方法。相关工作卷积神经网络模型卷积神经网络模型最早是由等在年首次提出，现已在图像识别领域取得巨大成功......”。

9、“.....只有时刻，才会输出它的特征到层。同样网络的参数训练还是采用随机梯度下降算法，每批次为个序列，冲量为，学习速率为。本文决定使用卷积神经网络来提取人脸微表情特征，它能让机器自主情图片从学习到了特征，但是单的模型忽略了微表情在时域上的信息。于是我们提出通过来学习不同人脸表情在时域上的关联特征。我们构建了多个层，以及个层。我们首先先训练好的参数，然后把训练好的模型，作为个提取人脸微，这里我们采用长短时记忆网络，它是递归神经网络中的种变换形式，它能够充分的利用数据的上下文信息，在对序列的识别任务中表现优异......”。