本文提出了一种基于深度卷积神经网络和条件随机场模型的视频面部表情识别方法，该模型从面部图像中提取空间信息和视频帧之间的时间关系，并在三个公共数据库上进行了实验证明，该模型在跨数据库实验中表现出色，并在主体独立实验中获得与现有模型相当的成果。

Mar, 2017

深度神经网络在面部表情识别中的应用、数据集和算法，针对过拟合和灯光、头部姿态等问题，分析和总结静态和动态图像序列的最新模型和性能，并探讨未来的发展方向和挑战。

Apr, 2018

本文介绍了一种名为动态分辨率引导面部表情识别（DRGFER）的实用方法，该方法能够在分辨率不同的图像中有效地识别面部表情，而不会影响面部表情识别模型的准确性。该方法包括两个主要组成部分：分辨率识别网络（RRN）和多分辨率适应面部表情识别网络（MRAFER）。RRN 确定图像分辨率，输出一个二进制向量，而 MRAFER 根据分辨率将图像分配给适合的面部表情识别网络。我们在广泛使用的 RAFDB 和 FERPlus 数据集上评估了 DRGFER，结果显示我们的方法在每个分辨率上保持了最佳模型性能，并且优于其他分辨率方法。所提出的框架对分辨率变化和面部表情具有鲁棒性，为实际应用提供了有前途的解决方案。

Apr, 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

通过静态 - 动态模型 (S2D) 结合面部标志感知特征和基于情感锚点的自蒸馏损失函数，提高了动态面部表情识别性能并达到了最先进水平。

Dec, 2023

基于大规模 FER 数据集的广泛实验和实践交叉验证，本文对多种网络架构进行排名，并给出了在真实情景中应用深度 FER 方法的一些推荐。此外，还讨论了实际 FER 应用中的潜在道德规范，隐私问题和法规。

Nov, 2023

提出了一种深度神经网络构架，可在多个公共面部数据库上进行面部表情识别，并且在精度和训练时间上优于传统卷积神经网络和现有方法。

Nov, 2015

我们提出了一种半监督学习技术来生成未标记面部数据的表情类别伪标签以解决有限 FER 数据集的泛化能力问题，并采用均匀抽样和去偏反馈学习策略来应对数据集中的类别不平衡问题和半监督学习中的数据偏差问题。此外，引入了时间编码器来学习和捕捉静态图像之间的临近表情特征的时间关系，并在第 6 届 ABAW 竞赛中在官方验证集上取得了优秀的成绩，充分证实了我们提出方法的有效性和竞争力。

Mar, 2024

本文介绍了最近的一个研究项目，针对静态图像表情的识别，构建了一个大规模的视频多场景数据集 FERV39k，为 FER 算法的性能评估提供了一个更实际的场景，提出了一种融合三个方面构建这种数据集的方法，并提供了四种基线框架的实验基准和对其在不同场景下性能的进一步分析，为未来的研究提出了一些挑战性问题。

Mar, 2022

本文提出了 Continual Facial Expression Recognition（ConFER）基准测试，评估了不同的 Continual Learning（CL）方法在面部表情识别任务中的性能，表明 CL 技术在不同的学习设置下能够实现多个数据集上的最先进的性能，因此促进了关于将 CL 原则应用于人类面部表情的行为理解中的益处和挑战的讨论。

May, 2023