STRCN 时空循环卷积网络用于识别自发微表情
3-C
时空连通性
一张图的一个通道为矩阵的一个列；
时空变化就在这个矩阵中；
用STRCN学习处理这个矩阵 = 学习到外观特征；
STRCN处理光流相关的信息（矩阵？）得到几何特征？
图2两个图的不同点是：
第一个每一个图像对应一个模块，多个模块叠加交到卷积层处理；
第二个多个图像得到一个模块，交到卷积层处理；
（1） type-1
初始想法是将一张图片的所有的像素作为矩阵的一个列；
这样的后果是矩阵特别大；
那我们就找有效位置的像素作为列；
为了得到这些有效位置或者叫微表情感知区域；
我们要得到一些mask，就是这些区域；
怎么得到这些mask?
用 difference heat map 即 E(x,y)
E(x,y)再经过阈值处理就得到了有效的（x,y），这些坐标合起来就是mask;
那么我们要求得到的mask像素点的数量是一样的，怎么办？
我们取高的固定百分比的像素点作为区域；
这样整个视频都可以表示成一个恒定的维度；
（2）type-2
只用起始帧和高潮帧计算光流；
3-D. Spatiotemporal Modeling
CNN有很强的能力去描述微表情微小的变化；
作者在CNN加了循环卷积层，就变成了RCN；
公式6表示的是RCL层第k个特征映射的输入值？