赛道总览

本届微表情识别挑战赛设置两个识别赛道，分别面向事件相机单模态与 RGB+事件相机双模态场景，重点考察模型在细微动作捕捉、类别区分与跨模态建模方面的综合能力。

任务导向：微表情识别模态组合：单模态 + 双模态评测重点：准确性 + 稳定性

赛道一：事件相机单模态微表情识别

目标：仅基于事件相机数据（Event Stream）预测样本所属的微表情类别。

赛道介绍

该赛道聚焦事件视觉对微弱面部动态的捕捉能力，要求模型在低信噪比、短时序和类别不平衡条件下完成稳定分类。参赛方法需仅使用事件模态输入，并保证结果可复现。

数据样例

sample_id,event_file,label
E0001,/event/被试文件夹/.csv,positive
E0002,/event/被试文件夹/.csv,surprise
E0003,/event/被试文件夹/.csv,negative

评价指标

UF1（Unweighted F1）：衡量各类别均衡分类能力
UAR（Unweighted Average Recall）：衡量类别召回均衡性
Accuracy：作为辅助指标评估整体分类正确率

赛道二：RGB + 事件相机双模态微表情识别

目标：融合 RGB 视频与事件相机数据，预测样本所属的微表情类别。

赛道介绍

该赛道强调跨模态融合建模能力，要求模型充分利用 RGB 的纹理信息与事件流的动态信息提升识别性能。主办方鼓励采用特征级融合、决策级融合与对齐学习等方案。

数据样例

sample_id,event_file,rgb_file,label
M0001,/event/被试文件夹/.csv,/rgb/被试文件夹/.mp4,positive
M0002,/event/被试文件夹/.csv,/rgb/被试文件夹/.mp4,surprise
M0003,/event/被试文件夹/.csv,/rgb/被试文件夹/.mp4,negative

评价指标

UF1（Unweighted F1）：衡量跨类别的均衡分类能力
UAR（Unweighted Average Recall）：衡量模型对各类别的召回稳定性
Accuracy：作为辅助指标评估整体分类正确率