鉴于人脸图像质量对生物特征识别系统的识别性能有很大影响，本研究旨在训练分类器来评估人脸表情中性，通过在七个数据集上进行大量性能基准测试，我们揭示了每个分类器在将 “中性” 与 “非中性” 表情区分开来方面存在显著差异，随机森林和 AdaBoost 分类器在高准确性下最适合区分中性与非中性表情，但在预测面部识别效用方面却表现不及支持向量机。

Feb, 2024

本研究提出了一种结合深度卷积神经网络（DCNN）和 Haar Cascade 深度学习架构的混合模型，用于将实时和数字面部图像分类到七种面部表情类别之一。实验结果表明，与其他模型相比，该架构在分类性能上具有显著优势，并且准确率高达 70％，执行时间短，为 2098.8 秒。

Jun, 2022

深度学习在面部表情识别方面的模型表现超过了人类，本研究通过比较不同神经网络（包括一般物体分类器和面部表情识别专用模型）来探索深度神经网络与人类感知之间的相似性。使用可解释的全局人工智能方法生成热图，揭示出六种面部表情的关键面部区域，通过定量和定性的方法评估结果，并发现网络体系结构对相似性的影响。

Jan, 2024

该研究研究了模型压缩技术对面部表情识别模型大小、准确性和公平性的影响，结果表明针对性的技术对模型大小有明显减小效果，对准确性几乎没有影响；对于不同的数据集，受敏感属性的影响不同，作者们对结果进行了分析并讨论了发现的潜在原因。

Jan, 2022

本文提出了一种由多个利用卷积神经网络和大规模人脸识别数据集进行训练得到的强大行业级人脸识别网络组成的集成模型，该模型对视频中的空间和音频特征进行捕获，从而提高情绪识别的准确性，并在不使用视觉时间信息的情况下，将测试集的最佳结果提高了约 1％，实现了 60.03％的分类准确度。

Nov, 2017

本研究使用 Transformer 机制，结合鲁棒表示编码和表示融合进行表情分类，结果表明该模型在 Aff-Wild2 数据集上表现有效。

Mar, 2022

本研究探讨轻量级卷积神经网络的多任务学习，用于识别人脸和分类面部属性（年龄，性别，种族），并在没有距离边缘的剪裁人脸上进行训练，需要微调这些网络以预测面部表情；使用 MobileNet、EfficientNet 和 RexNet 架构提出了几种模型，并在 UTKFace 数据集上证明了它们接近最新的年龄、性别和种族识别结果，在 AffectNet 数据集的情感分类上也表现出色；此外，展示了将已训练的模型用作视频帧中面部区域的特征提取器，其识别精度比以前已知的情感分类挑战的单一模型高 4.5％。

Mar, 2021

本文提出通过改进图像预处理和训练步骤，使用人脸对准等技术和更好的数据增强、优化和调度技术，基于 ResNet-50 的两个简单模型在单一流程和两个不同流程的分数级融合中取得了良好的结果，这表明预处理和训练过程中的特定修改会对模型性能产生显著影响。

Dec, 2022

这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

May, 2023

本文介绍了一种基于卷积神经网络的回归框架，可用于训练社交属性分配的预测模型，该模型可以对人群的行为进行量化，应用于描述人脸的视觉属性和情感计算领域。

Oct, 2016