Automatic machine-based facial expression analysis (fea) has made substantial
progress in the past few decades driven by its importance for applications in
psychology, security, health, entertainment and human co
通过监测学生在课堂中的情绪作为参与度的指标，并提出了一种方法来解决这个问题，本研究评估了不同面部部位对情绪识别模型性能的影响，并引入了一个人工遮挡数据集来测试部分遮挡下的提议模型。研究的创新之处在于提出了一种面部动作单元（AUs）提取的遮挡感知架构，该架构采用了注意机制和自适应特征学习，而这些 AUs 可以用于分类课堂环境中的面部表情。研究的发现为分析面部图像的情绪参与分析中处理遮挡提供了宝贵的见解，实验结果表明在课堂环境中考虑遮挡并提高面部分析模型的可靠性的重要性，并且这些结果也可以推广到其他普遍存在遮挡的场景。