面部微表情是微妙的，非自愿的表情，可以揭示隐藏的情绪。 微表情是在应用领域如测谎，心理健康，情绪分析和更多信息的宝贵来源。 该研究领域的最大挑战之一是少量可用的自发微表情数据。 然而，自发的数据收集不仅费时且有昂贵的注释负担。 因此，需要可以减少注释者必须审查的数据量的方法。 本文提出了一种使用循环神经网络（RNN）对光学流特征学习识别微表情的新方法。 我们提取定向光流直方图（HOOF）特征，以编码所选面部区域中的时间变化。 最后，RNN会发现很短的区间，这很可能包含相关面部微动的发生。 该方法在SAMM数据库中进行了评估，通过使用Leave-One-SubjectOut交叉验证来训练RNN，可以消除出现主观偏见的任何可能性。 将提取的区间与标记的数据进行比较表明，该方法产生了1569次假正例，而召回率为0.4654。 初步结果表明，该方法将视频长度减少了3.5倍，同时仍保留了几乎一半的相关微动。 最后，随着模型获取更多的数据，它在检测区间方面变得更好，这使得所提出的方法适合于支持注释过程。

面部表情是人类传达其情绪状态和意图的最有力，最自然和普遍的信号之一。 由于自动面部表情分析在社交机器人，医学治疗，驾驶员疲劳监视以及许多其他人机交互系统中的实际重要性，因此已经进行了许多研究。 在计算机视觉和机器学习领域，已经探索了各种面部表情识别（FER）系统来对来自面部表示的表情信息进行编码。 早在二十世纪，埃克曼和弗里森就根据跨文化研究定义了六种基本情感，这表明人类无论文化如何都以相同的方式感知某些基本情感。 这些典型的面部表情是愤怒，厌恶，恐惧，幸福，悲伤和惊奇。 轻蔑后来被添加为基本情绪之一。 最近，对神经科学和心理学的高级研究认为，六种基本情绪的模型是特定于文化的，而不是通用的

这本书是我一个偶然的机会看到的，翻开看了看第一章前几页便觉得这本书不简单。在读这本书的时候，我其实处在一个有些消极的状态中的，对自己的身体健康状态和感情、精神状态都非常不满意。

简要介绍

简单的几行代码即可完成mysql的定时备份，数据无价，记得备份。

在自己捣鼓了大概两天之后，自己的博客算是基本搭建完成了，这第一篇文章就讲讲这期间遇到的一些小问题以及如何解决的。