基于特征表示学习与聚类式注意力机制的面部表情识别

基于摘要分析。该研究针对面部表情识别（FER）中复合、混合情绪导致类别标注歧义，以及七维表情概率分布难以标注的问题，提出以高维类别特征表示训练 FER 网络，并通过基于聚类的分组拆分注意力机制增强情绪相关特征。 方法包含两个关键部分：一是利用专门的 binary feature representation generator network 学习各表情类别的高维特征向量，作为 FER 网络训练的依据；二是采用 clustering-based group split attention mechanism 强化情绪相关特征。摘要未说明 binary 的具体含义、高维向量的构造与监督来源、训练损失，以及聚类结果如何控制注意力分组，这些实现细节尚未验证。不能据此认定该方法无需人工标签，或已解决标注歧义。 作者报告，在两个实验室受控数据集和四个自然场景数据集上，该模型相较其他先进 FER 方法取得性能提升。摘要未提供数据集名称、划分协议、评价指标和具体数值，因而无法判断提升幅度、统计可靠性及各模块的独立贡献；实验协议、消融及统计信息尚未验证。作者提供了代码链接，但代码内容与复现条件尚未核查。 平台推测（待验证）：其类别特征表示可作为 EEG 情绪识别中处理类别边界模糊问题的一项迁移假设，但原研究依赖面部图像及表情类别监督，不等同于 EEG 情绪标签。可考虑复用类别表示学习思路，需改造信号编码器和注意力分组依据；低信噪比、跨被试差异、通道配置及小样本条件可能使聚类不稳定，或使类别表示吸收被试特征。一个小规模可证伪实验是：固定 EEG 编码器与跨被试划分，仅比较常规类别监督和高维类别表示监督，并单独检验聚类注意力的增益。相关 EEG 工作尚未检索确认。