本文介绍了一种利用虚拟现实技术中红外监视器拍摄到的眼部图像，从而在遮挡部分面部的情况下，自动推断用户的表情，并生成动态的虚拟头像作为用户的表情代理。实验结果表明，该算法的准确度显示出性能优于人类评估者。

Jul, 2017

我们开发了一个卷积神经网络来识别人类面部表情。我们将已有的卷积神经网络模型 fine-tune 到 CFEE 和 RaFD 数据集，测试准确率分别为74.79%和95.71%。通过在一个数据集上训练模型，在另一个数据集上测试可以牵扯到泛化的结果，最广泛的实验中测试集的 top-1 准确率为65.39%。

Aug, 2017

通过提出FaceChannel轻量级神经网络，减少模型参数与优化而实现自动面部表情识别（FER）目标，相较于现有最先进的FER模型在基准数据集上有着可比甚至更好的性能表现。

Apr, 2020

本文采用机器学习中的深度学习模型，结合FaceChannel框架研究了不同图像条件对基于面部表情的情绪识别的影响，这对于确保机器人在不同环境下保持一致的识别水平非常重要。

Oct, 2022

本研究针对Covid-19情况下面罩对面部表情识别的影响，提出了一个新的真实世界数据集MSD-E，并通过对比学习和知识蒸馏的方式增加了模型在面罩环境下的表现，最终在该数据集上进行了性能基准测试。

Apr, 2023

本文介绍了一项关于带口罩可识别面部的研究，通过使用 6 种机器学习算法并生成遮面脸部图像，我们评估了这些算法在带口罩和不带口罩的情况下的识别表现。

Jun, 2023

利用深度学习创建了一个实时检测视频和图像中口罩的模型，该研究旨在提高安全性，特别是敏感区域，通过图像预处理、图像裁剪和图像分类三个阶段来识别带口罩的人脸，并通过网络摄像头或闭路电视摄像机进行持续监控，如果发现没有戴口罩的人，则触发安全警报。

Nov, 2023

我们通过对2020年维也纳公众的视觉数据进行物体检测、卷积神经网络、回归分析和多层感知机的综合分析，发现口罩相关的政府法规和公共交通公告鼓励在COVID-19大流行期间正确佩戴口罩的行为，而公告和法规内容的变化对人们的行为产生了不均匀的影响；通过比较回归分析和神经网络的预测能力，我们证明后者能更准确地预测COVID-19大流行期间的人口反应，并且回归建模还使我们能够揭示社会行为之间可能存在的因果关系路径；由于我们的发现强调了适当的沟通内容的重要性，我们的研究结果将有助于未来制定更有效的非药物干预措施；此外，我们还证明了回归建模和神经网络并不是互斥的，而是相互补充的。

Nov, 2023

通过AI技术的计算机视觉系统识别戴口罩人群的情感，提出了一个新的挑战。本研究提出了一种能够识别不同面具人群情感的面部情感识别系统，并采用了一种新的数据增强技术来改善模型的性能。通过对四种面具类型的每张面部图像进行训练，评估了四个卷积神经网络（Alexnet，Squeezenet，Resnet50和VGGFace2）的效果。实验结果显示，与单面具模式相比，我们的模型在多面具模式下的效果更好。其中，VGGFace2网络在使用JAFFE数据集时的人员相关模式的准确率最高，为97.82%，人员独立模式的准确率为74.21%。然而，我们使用UIBVFED数据集评估了我们的模型。Resnet50在人员相关模式下表现出了优越的性能，准确率分别为73.68%和59.57%。此外，我们采用了精确度、敏感度、特异性、AUC、F1值和混淆矩阵等指标来详细衡量我们系统的效率。此外，还使用了LIME算法来可视化CNN的决策策略。

Dec, 2023

本研究针对人类面部表情感知中依赖先前知识和上下文线索的不足，通过一种新的模型来进行面部表情分类，该模型不仅进行简单的分类任务，还能够合成与人类观察面部时感知的心理表征相匹配的表现。实验结果表明，该模型在评估中的表现达到了81.01%的最高分类准确率，显著推动了情感识别领域的研究进展。

Sep, 2024