微表情是一种不受控制的面部肌肉运动,其通常出现在人类试图隐瞒或者压抑真实情绪的时刻。而与普通的面部表情有所区别的是,微表情的持续时间更加短暂,表情强度更低,难以被人类用肉眼直接进行判别。这些特点增加微表情识别的难度。此外,大量的传统识别方法和机器学习方法被应用于微表情识别任务。针对微表情识别任务,论文提出一种融合卷积块注意力模块（Convolutional Block Attention Module,CBAM）的时空三维卷积神经网络来提取高级抽象特征,并通过卷积块注意力模块对不同面部区域的特征自动分配权重,以此提高微表情的识别率。具体而言,论文所提出的深度模型--CBAMNet分为两步进行处理:第一,将微表情序列输入到一个中型卷积神经网络,随后网络自动提取各个面部区域的视觉特征;第二,借助卷积块注意力模块使网络自适应分配权重给不同区域特征。卷积块注意力模块可以增强利于识别的特征,削弱与识别无关的特征,以此增强网络的识别能力。此外,微表情细致微小,且不易被人察觉。针对微表情的细小属性,论文在数据预处理的实验中使用了欧拉视频运动放大技术,借助这种放大技术来提高微表情动作强度。在实验评估方面,首先,论文选择了CASMEⅡ和SMIC;其次,分别在两个数据库上完成了多组实验。实验结果表明,CBAMNet能够自动提取特征、通过自适应的学习分配特征权重。与其它算法相比,该方法具有更高的识别率。