情感、表情、动作单元识别：Aff-Wild2，多任务学习和 ArcFace

Sep, 2019

情感、表情、动作单元识别：Aff-Wild2，多任务学习和 ArcFace

Expression, Affect, Action Unit Recognition: Aff-Wild2, Multi-Task Learning and ArcFace

Dimitrios Kollias, Stefanos Zafeiriou

TL;DR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

Abstract

affective computing has been largely limited in terms of available data resources. The need to collect and annotate diverse in-the-wild datasets has become apparent with the rise of deep learning models, as the d

affective computing in-the-wild database emotional recognition aff-wild2 deep learning

发现论文，激发创造

Aff-Wild2: 将 Aff-Wild 数据库扩展到情感识别领域

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

野外条件下的深度情感预测：Aff-Wild 数据库和挑战，深度架构以及未来展望

本文介绍了一种基于视觉信号的深度神经网络自动识别情感的方法，提出了适用于情感识别算法训练和评估的 Aff-Wild Benchmark，以及使用这一数据库 achieving best performances both for dimensional, as well as categorical emotion recognition，成为情感识别领域的最好表现之一。

Apr, 2018

野外情感分析：愉悦度 - 唤起度、表情、动作单元和统一框架

本文介绍了利用深度学习方法对情感进行分析与识别的相关研究，以及在真实情境下（in-the-wild）数据上进行大规模情感分析所需深度神经网络的架构设计，并提出了一种基于多任务学习和整体框架的方法，通过改进现有的情感识别技术来提高情感识别效果。

Mar, 2021

一种多任务学习与生成框架：情感价值 - 唤起度、动作单位和基本表情

本论文针对情感分析的各个领域进行了研究，提出了基于神经网络的多任务学习方法，该方法有效地应用于 Aff-Wild 情感数据库的新注释部分并实现了良好的性能。

Nov, 2018

AffectNet：野外面部表情、好感度和唤起度计算的数据库

该研究收集并准备公开发布了一个名为 AffectNet 的数据库，包含 100 多万张网络图片，其中大约半数手动注释了 7 种离散面部表情和不同情绪模型的愉悦和唤起度强度，并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。

Aug, 2017

ABAW: 从合成数据和多任务学习挑战中学习

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

第二届 ABAW2 比赛中用于多任务情感识别的先前辅助流网络

该研究提出了一种利用多任务流网络和先进面部表情嵌入的方法，在面对不同的情感表示时，有效地进行情感自动识别。

Jul, 2021

基于 Transformer 的多模态信息融合用于面部表情分析

本研究介绍了一种基于多模态特征和 Transformer 的统一框架，用于情感行为分析和表情识别任务，同时运用数据平衡和增强方法进一步提高模型性能。实验证明，该方法在 ABAW3 竞赛中在 EXPR 和 AU 方面排名第一。

Mar, 2022

一种多模态和多任务学习方法，用于动作单元和表情识别

本文提出一种利用视觉和音频信息的多模态和多任务学习方法来分析人类情感，使用 AU 和表情标注训练模型并应用序列模型提取视频帧之间的关联，实现了 0.712 的 AU 分数和 0.477 的表情分数，证明了该方法在提高模型性能方面的有效性。

Jul, 2021

MAFW：一份适用于野外动态面部表情识别的大规模、多模态、混合情感数据库

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