本文利用贝叶斯神经网络，如 MC-Dropout，MC-DropConnect 或 Ensemble 来建模 Facial emotion recognition 中的 aleatoric 不确定性，在这个任务中产生更接近人类预期输出的概率，并展示了校准度量展示的奇怪行为，这激励未来的研究。我们相信我们的工作将鼓励其他研究者从 Classical 转向 Bayesian 神经网络。

Aug, 2020

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

本文介绍了 EmotioNet 挑战的方法和结果，其中第一项挑战测试了当前计算机视觉算法在自动检测表情动作单元（AU）方面的能力，第二项挑战测试了算法在面部表情图像的情感分类方面的能力，研究表明当前机器学习算法在这两个任务中无法可靠地解决问题，计算机视觉算法在检测动作单元时的效果比检测情感分类时的效果要好。

Mar, 2017

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

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

本研究探讨了环境因素，特别是场景和物体如何通过身体语言影响情绪表达。为此，我们引入了一种名为 BEE-NET 的新型多流深度卷积神经网络，并提出了一种新的后期融合策略，在学习过程中将场所和物体的元信息作为先验知识纳入考虑。实验结果表明，我们的深度模型在情感识别领域取得了显著的突破，超过了当前最先进的技术，情绪识别得分达到了 66.33%。

Feb, 2024

本研究在 EmotiW Challenge 2023 中探索了符合隐私规范的野外群体情绪识别。提出的多模态模型通过视频和音频分支以及跨模态注意力实现，使用全局特征而避免使用个体特征，仅依靠分布在视频中的 5 个均匀帧即可达到相当高的准确率。

Dec, 2023

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

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