面部表情识别与分析：现状
我们提出了一种使用面部动作单元（AUs）识别技术来识别情绪的方法，该识别方法基于面部动作编码系统（FACS）并通过机器学习系统计算，以扩展情绪识别技术的能力。
Nov, 2023
本文介绍了 EmotioNet 挑战的方法和结果，其中第一项挑战测试了当前计算机视觉算法在自动检测表情动作单元（AU）方面的能力，第二项挑战测试了算法在面部表情图像的情感分类方面的能力，研究表明当前机器学习算法在这两个任务中无法可靠地解决问题，计算机视觉算法在检测动作单元时的效果比检测情感分类时的效果要好。
Mar, 2017
计算机视觉领域中，人脸检测是大多数处理包含人的图像的应用的核心组件。尽管该领域已经有了很多研究，但人脸检测仍存在问题，如准确性和速度。本综述论文展示了该领域的进展以及仍需解决的重要问题，并提供了研究方向，可作为人脸检测领域的研究项目。
Feb, 2024
利用自动化技术生成基于主成分分析的面部动作单元，其能够解释超过 92.83% 的方差，并具有与面部动作编码系统等效的能力。这项研究表明自动化技术在心理学和相关领域中可以作为手动面部动作编码系统标记的替代选择，实现面部表情的高效实时分析。
Jun, 2024
该论文介绍了 FaceBehaviorNet 这个多任务深度学习框架，并利用 5M 张公共数据集，成功地将自然环境中的人脸行为分析的三个识别任务（特征表情识别、连续情感估计和面部动作单元检测）结合了起来，同时提出了两种有效的联合学习策略，对大量无标注数据的少样本学习场景也具有良好的泛化能力。
Oct, 2019
本文介绍了一个基于深度学习的系统级实时面部 分析设计，使用神经网络进行物体检测、分类和回归，可以识别每个人的年龄、性别、面部表情和相似度。同时，文章提出了一种多任务网络来同时预测年龄、性别和面部表情，该系统达到了与现有先进方法相同的精度和实时性能要求。
Sep, 2021
本文提出了一种基于深度神经网络的面部表情识别算法，通过学习局部和全局特征，以及类似于图推理方法的消息传递算法，显著提高了在 BP4D 和 DISFA 数据集上的表现。
Mar, 2018
本综述回顾了面部表情分析 (FEA) 中因遮挡导致自动表情识别性能下降的原因，并围绕数据集创建、算法发展等方面的技术进展和面临的挑战，为未来工作提供更好的信息和基准。
Feb, 2018
通过探索深度学习体系结构在持续情感识别方面的应用，我们提出了一种新颖的三流端到端深度学习回归流程，其中包含一个注意力机制，该机制是基于多个最先进的动作识别系统的子模块的一种组合设计。定量分析表明，所提出的模型优于情感识别和动作识别模型的多个标准基线。
Mar, 2024