该研究收集并准备公开发布了一个名为 AffectNet 的数据库，包含 100 多万张网络图片，其中大约半数手动注释了 7 种离散面部表情和不同情绪模型的愉悦和唤起度强度，并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。

Aug, 2017

本文介绍了一种基于视觉信号的深度神经网络自动识别情感的方法，提出了适用于情感识别算法训练和评估的 Aff-Wild Benchmark，以及使用这一数据库 achieving best performances both for dimensional, as well as categorical emotion recognition，成为情感识别领域的最好表现之一。

Apr, 2018

该研究旨在设计、部署和评估应用于移动设备的基于卷积神经网络（CNN）的面部情感分析架构，通过提出三种 CNN 架构并在野外基准面部图像数据集上进行比较评估，发现这些架构在保持较高性能的同时最小化存储需求，并且可以部署在基于移动设备上实时视频流上，同时还实现了基于预测用户情感的音乐推荐界面。

Jul, 2018

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

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

本论文介绍了利用预训练的深度模型在静态照片上提取可靠情感特征的可能性，并通过多任务场景中的轻量级模型来识别面部表情、价值和唤起。实验结果表明，与现有的非集成技术相比，我们的方法显著提高了验证集上的质量指标。

Mar, 2024

该文介绍了针对面部表情识别问题，提出了一种基于注意力卷积网络的深度学习方法，并采用可视化技术确定了识别不同情绪对应的重要面部区域，相比先前的模型在多个数据集上都取得了明显的改进。

Feb, 2019

本文提出了一种新的方法，用于合成面部情感，接受中性 2D 人脸图像、基本面部表情或 VA 头像建议，以及 2D VA 空间中的路径作为输入，采用 3D 可变模型，对中性人脸图像进行形变和添加颜色，使生成的面孔带有特定情感，用于数据增强和深度神经网络的联调。

Nov, 2018

我们开发了一个卷积神经网络来识别人类面部表情。我们将已有的卷积神经网络模型 fine-tune 到 CFEE 和 RaFD 数据集，测试准确率分别为 74.79% 和 95.71%。通过在一个数据集上训练模型，在另一个数据集上测试可以牵扯到泛化的结果，最广泛的实验中测试集的 top-1 准确率为 65.39%。

Aug, 2017

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