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

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

这篇文章介绍了 Aff-Wild2 这一大型野外数据库，以进行情感识别，通过 CNN 和 CNN-RNN 架构的视觉和音频模型，实现了情感识别任务的最先进性能，并使用 ArcFace 损失函数训练各种新的网络，并取得较与现有技术相比，更好的效果

Sep, 2019

利用扩展的 Aff-Wild 数据集和联合卷积 - 循环神经网络构架，本文分别在特定数据库和跨数据库实验中，发掘了这一神经网络模型对情感识别和分析中的应用前景，并引用了情感范畴的简述模型 circumplex model 进行表述。

Nov, 2018

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

本文研究自然环境下的情感计算，提出了三种基于神经网络的方法，结合 Inception-ResNet 模块用于面部表情预测，分别为浅层 Inception-ResNet、深层 Inception-ResNet 和带有 LSTMs 的 Inception-ResNet，采用 Deep Inception-ResNet 方法可以实现 valence 和 arousal 误差率分别达到 0.4 和 0.3，相应的 CCC 率分别为 0.04 和 0.29。

May, 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

本论文针对情感分析的各个领域进行了研究，提出了基于神经网络的多任务学习方法，该方法有效地应用于 Aff-Wild 情感数据库的新注释部分并实现了良好的性能。

Nov, 2018

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

本研究使用深度神经网络和噪声建模技术，在野外环境中准确识别面部表情，并实现基于网络图片的面部表情识别准确率达 82.12%。

May, 2016