本文提供了基于因果关系的视角来解决 “上下文感知情感识别（CAER）” 中的数据集中存在的偏见问题。通过构建因果图，设计了 Contextual Causal Intervention Module (CCIM) 来提高模型表现并且在三个基准数据集上进行了充分的实验来证明其有效性和重要性。

Mar, 2023

提出了一个反事实情感推理框架 (CLEF)，通过消除上下文偏差和增强预测性能，改善情感识别中的整体因果效应。

Mar, 2024

本研究提出了一种称为 SAFER 的新颖系统，采用先进的深度学习技术从面部肖像中提取不同的特征，并融合背景和位置类型等上下文信息以增强性能，用于面部情绪识别，并通过针对 COVID-19 口罩因素的实验及对主流面部表情数据集的限制问题的探究，提出了一种新的用于面部情绪识别的数据集，该系统具有较高的识别准确率。

Jun, 2023

提出了一种基于 Multi-Region Ensemble CNN (MRE-CNN) 框架的面部表情识别方法，结合深度学习方法和 CNN，同时捕捉全局和局部特征确定面部表情，经过实验证明，取得了最新的识别精度。

Jul, 2018

我们提出了一种基于课程学习策略的新型情感识别网络（ERNetCL），它通过结合前期方法的优点以简洁的方式高效地捕捉对话中的时序和空间上下文信息，并利用课程学习的思想逐步优化网络参数。在四个数据集上进行的大量实验表明，我们的方法有效地击败了其他基准模型。

Aug, 2023

提出基于情绪认知理论的多轮递推式推理模块和上下文推理网络的设计，用于提取和整合情感线索以充分理解对话上下文，并在三个公共基准数据集上进行广泛实验，证明了模型的有效性和卓越性。

Jun, 2021

通过深度学习模型，本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务，取得了 57.71 的宏 F1 得分，相较于相关研究有了显著的提升。

Apr, 2024

该文介绍了针对面部表情识别问题，提出了一种基于注意力卷积网络的深度学习方法，并采用可视化技术确定了识别不同情绪对应的重要面部区域，相比先前的模型在多个数据集上都取得了明显的改进。

Feb, 2019

本文提出了一种同时考虑语境和情感的框架 CEFER（Context and Emotion embedded Framework for Emotion Recognition），提高了对文本中隐含情感的识别准确率。

Sep, 2022

本论文提出了一个基于有条件的对抗自动编码器的神经模型和增长可变网络的方法，用于识别和区分个性化和在线面部表情的情绪，取得了最先进的表现，还包括削减研究和神经可视化，以解释我们的模型行为。

Apr, 2019