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

提出一种大规模多模态复合情感数据库 MAFW，其包含了 10045 个野外视频音频剪辑，每个剪辑均带有复合情感标注以及描述受试者情感行为的几个句子。另外，还提出了一种基于 Transformer 的表情片段特征学习方法，以识别不同情感与模态之间的表情变化关系，其在 MAFW 数据库上表现优于其他现有方法。

Aug, 2022

通过调查音频和视觉深度学习方法，为非控制环境中的情绪识别问题提供有效的体系结构。使用基于微调的卷积神经网络（CNN）和公共维度情绪模型（PDEM）进行视频和音频模态的比较，并使用这些多阶段训练的模态特定的深度神经网络（DNN）的嵌入来比较替代的时间建模和融合策略。在 ABAW'24 挑战协议下，对 AffWild2 数据集进行了结果报告。

Mar, 2024

本文介绍了我们提交到 ABAW 2020 竞赛的两条流声音视觉分析模型来识别视频中的情感行为。该模型分别处理音频和图像流，并使用卷积神经网络进行分析，同时使用人脸对齐期间提取的附加功能。在训练期间，利用不同情感表达之间的相关性来提高性能。通过在 Aff-Wild2 数据库上的实验，我们的模型取得了有希望的结果。

Feb, 2020

使用 MDEAW 多模式数据库记录了学生在课堂上的情绪反应，结果表明了便携、低成本的设备的应用潜力，并建立了学生情感识别的基础。

Jul, 2022

本文介绍了于 CVPR 2023 会议举办的第五届 Affective Behavior Analysis in-the-wild (ABAW) Competition，其中包括四个挑战，使用了两个数据集，分别是 Aff-Wild2 database 和 Hume-Reaction dataset，这些挑战包括单任务的情感估计、表情分类、动作单位检测和情绪反应强度估计。

Mar, 2023

该研究提出了一个新的动态人脸表情数据库（DFEW）和一种基于聚类表情空间时间特征学习（EC-STFL）框架的解决方案，用于实现 'in-the-wild' 条件下的人脸表情识别技术。实验结果表明，EC-STFL 可以改善现有时空深度神经网络在处理动态 FER 方面的性能。

Aug, 2020

本篇论文介绍了在 2022 年欧洲计算机视觉会议 (ECCV) 期间举办的第四届情感行为分析比赛 (ABAW)。今年该比赛涵盖了两个不同的挑战：多任务学习和从合成数据学习，目标在于基于 Aff-Wild2 数据库自动分析情感表达，其中该数据库是一个大规模的野外数据库，具备对价值、唤醒度、表情和动作单位的注释，并通过 s-Aff-Wild2 数据库和人工合成数据集完成了情感识别的基础研究。

Jul, 2022

DAiSEE 是第一个包含 9068 个视频片段和 112 个用户的多标签视频分类数据集，用于识别烦恼、困惑、参与和挫败用户情感状态，具有四个级别的标签。提供了基准结果和用于相关任务的合适机器学习方法的发展。

Sep, 2016

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