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

该研究论文讨论了 EmotioNet Challenge 2020 上的 AU 识别问题，并将其视为一项多任务学习问题，通过分别对非刚性面部肌肉运动（主要是前 17 个 AUs）和刚性头部运动（最后 6 个 AUs）进行建模。研究观察了表情特征和头部姿态特征的共现关系。通过选择最佳的检查点来进行 AU 识别，提高了识别结果，最终在验证集和测试集中获得了分别为 0.746 和 0.7306 的得分。

Apr, 2020

本文提出了一种基于深度神经网络和贝叶斯分类器的新型解决方案，其中神经网络分析单个面孔表情，贝叶斯分类器通过场景描述符估计全局情感。在 Emotion Recognition in the Wild Challenge 2017 数据集上测试，该方法在测试集上的准确率为 64.68％，显著优于竞争基线 53.62％。

Sep, 2017

本文提出了一种基于单个预训练 AffectNet 的 EfficientNet 模型提取面部特征的新颖的帧级情感识别算法，可以实现移动设备上的实时视频人脸情感分析，在第三届野外情感行为分析（ABAW）竞赛的大规模 Aff-Wild2 数据集上，与 VggFace 基线相比，我们的简单模型在单任务表情分类、趋势 - 觉醒估计和表情分类的验证集中的性能指标高 0.15-0.2，由于简单性，我们的方法可以被视为四个子挑战的新基准。

Mar, 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

本文描述了我们在第五届 Emotion Recognition in the Wild（EmotiW 2017）小组级情感识别子挑战赛中使用的算法方法，其中我们使用了卷积神经网络来提取检测到的脸部的特征向量，而不是传统的预训练情感识别问题。最终，我们的管道中学习了一个随机森林集成分类器来预测情感分数，该集成分类器在实验研究中显示出与其他探索技术相比最低的错误率。

Sep, 2017

本研究使用深度学习技术，以多模态方式，使用面部检测、音频流等模态，探索影片情感识别模型，成果在 2013 年的 EmotiW 挑战中成为获胜者，并在 2014 年的数据集上实现了约 47.67% 的准确率。

Mar, 2015

本文综述了自 2001 年以来至今关于面部表情识别的研究工作以及该领域的进展，包括面部表情识别的应用、数据库的使用和标准化等方面。此外，还讨论了使用 FACS 行动单元和 MPEG-4 面部动画参数进行面部参数编码的方法和近年来面部检测、跟踪和特征提取方法的进展。最后，本文总结了挑战和未来方向。

Mar, 2012

本研究提出了一种基于深度学习和面部视频数据的情感检测方法，使用 Convolutional Neural Network 训练一个能够估计三维表情模型参数的模型，并结合情感分类器，能够高效准确地从动态图像中识别面部表情，且在基本情感和压力情感的识别任务中超过了其他方法。

May, 2020

本文介绍了利用深度学习方法对情感进行分析与识别的相关研究，以及在真实情境下（in-the-wild）数据上进行大规模情感分析所需深度神经网络的架构设计，并提出了一种基于多任务学习和整体框架的方法，通过改进现有的情感识别技术来提高情感识别效果。

Mar, 2021