本文研究了各种影响人格认知的可能偏见源，包括面部表情情绪、吸引力、年龄、性别和种族，以及它们对表观人格估计的影响。使用多模态深度神经网络，综合音频和视觉信息，以及特定属性模型的预测来回归表观人格，并在 ChaLearn First Impressions 数据集上展示了最新的结果。此外，还提供了一种可解释性的网络设计，对每种可能的偏见源对最终网络预测的影响进行了增量分析。

Sep, 2019

本文介绍了解释性和可解释性对于决策支持系统的两个关键方面，并探索了这些方面在计算机视觉中的应用，特别是在人类行为分析方面。文章描述了一个挑战，旨在提升解释性在第一印象分析中的应用。通过对引入的数据集，评估协议的详细分析和解释性挑战的结果，总结研究机会，并确定为解释性计算机视觉领域的发展制定规划。

Feb, 2018

本文介绍了一种基于卷积神经网络的回归框架，可用于训练社交属性分配的预测模型，该模型可以对人群的行为进行量化，应用于描述人脸的视觉属性和情感计算领域。

Oct, 2016

本文综述了情感计算领域中采用的用于自动预测人格特质的机器学习模型，重点是基于深度学习的方法以及多模态方法，包括了计算数据集，实际应用及最新的机器学习模型。

Aug, 2019

使用行为计量学作为辅助工具来客观评估面试者，本研究提出了一种测量面部表情的方法，利用开源计算机视觉算法和库来分析面部不对称性。

Oct, 2023

本文提出一种基于短视频中的大五人格特质进行第一印象识别的新方法，使用双模态深度神经网络结构和少量帧的音频和视觉特征进行训练，并在使用 ChaLearn LAP APA2016 数据集进行评估时表现出色。

Oct, 2016

该论文介绍了一种用于个性检测的心理关注模型（PsyAttention），它能够有效编码心理特征，将特征数量减少了 85％。在对 BigFive 和 MBTI 模型进行的实验中，PsyAttention 的平均准确率分别为 65.66％和 86.30％，表现优于现有方法，表明它在编码心理特征方面是有效的。

Dec, 2023

用深度神经网络进行多模态的自动个性化特征评估，以提高人机交互的质量。

May, 2024

研究表明，我们可以利用计算机识别人脸信息并预测性别、年龄和外貌美丽程度，同时通过视觉协作过滤技术和新的回归技术推断人们之间的偏好，并基于此预测一张图片的相对吸引力。在一项大型的约会网站数据集和明星图片上，我们的实验获得了令人信服的结果，并得出了一些有意义的社会学结论。

Oct, 2015

本文提出一种基于深度学习的方法，结合了卷积神经网络和 AdaBoost 算法对人格进行自动识别，并在 Essay 数据集上得到了比机器学习和深度学习方法更优的实验结果。

Jan, 2022