本研究比较了视频序列中微笑真实性评估的手工特征与深度学习特征的优缺点。结合长短期记忆网络和面部动作单元动态特征，实验结果表明该方法在实时评估中优于基线技术，对情感识别领域具有重要意义。

本研究介绍了多种基于自监督学习的面部表情识别模型，强调了在数据稀缺情况下的有效性。通过对比学习、区域和时序辅助任务等方法，显著提升了面部动作单元（AU）检测的性能，尤其在多个数据集上取得了最先进的结果，有效解决了标签噪音和数据不平衡等挑战。

本文提出了一种基于混合网络的面部动作单元检测方法，解决了面部表情解码中的空间表示、时间建模和AU相关性问题。研究还介绍了多模态感知跟踪器和基于融合的未剪辑视频动作定位方法，均在多个数据集上取得了显著的性能提升，证明了其在复杂条件下的鲁棒性。

本研究提出了一种自监督对比学习方法，用于从未标注的面部视频中学习面部动作单元的表示，解决数据不足的问题，并在动作单元检测中取得了较好的区分度。