基于大规模 FER 数据集的广泛实验和实践交叉验证，本文对多种网络架构进行排名，并给出了在真实情景中应用深度 FER 方法的一些推荐。此外，还讨论了实际 FER 应用中的潜在道德规范，隐私问题和法规。

Nov, 2023

本研究提供了 InFER 数据集，该数据集是一个真实世界的多种族印度面部表情识别数据集，包含了 10,200 张图片和 4,200 个短视频，共计七种基本面部表情。该数据集包含了来自印度次大陆非常多元化族裔的 600 位受试者的姿态表情以及从互联网上众包得到的 6000 张自发 / 做作的表情。通过对数据集上基准和深度 FER 方法的实验结果，证实了该数据集在实际应用中的可用性。

Sep, 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

深度神经网络在面部表情识别中的应用、数据集和算法，针对过拟合和灯光、头部姿态等问题，分析和总结静态和动态图像序列的最新模型和性能，并探讨未来的发展方向和挑战。

Apr, 2018

通过采用样本级文本描述（即上下文、表情或情感线索的标题）作为自然语言监督，我们提出了一种新颖的视觉 - 语言模型，旨在增强丰富的潜在表示的学习，以进行零样本分类。通过对四个流行的动态情感识别数据集进行模型测试，我们发现与基线方法相比，该方法在零样本视频情感识别方面表现出显著的改进，并在精神健康症状估计等下游任务中取得与人类专家相当或更优的性能。

Oct, 2023

本文提出了一种使用条件随机森林从视频中捕捉表情变化的低级表达式转换模式的方法，通过对影片中每个前一帧生成的树进行预测，并通过时间平均来获得鲁棒性估计，进而提升面部表情分类的性能及精度。

Jul, 2016

提出了一种深度神经网络构架，可在多个公共面部数据库上进行面部表情识别，并且在精度和训练时间上优于传统卷积神经网络和现有方法。

Nov, 2015

在本文中，我们提出了一种针对开放场景的视频人脸表情识别 (OV-FER) 任务，旨在识别不仅包含已知类别，也包含训练中未遇到的新的未知人脸表情。为了克服现有方法对 OV-FER 任务所需的微妙和细微人脸表情模式的不足，我们提出了一种新颖的人脸表情敏感引导 (HESP) 机制来显著增强 CLIP 模型对视频人脸表情细节的建模能力。在四个 OV-FER 任务设置上进行的广泛实验表明，HESP 可以显著提高 CLIP 的性能（在 AUROC 上相对提升了 17.93%，在 OSCR 上相对提升了 106.18%），并大幅优于其他最先进的开放式视频理解方法。

Apr, 2024

本论文介绍了 4DFAB 这个新的大型动态高分辨率 3D 人脸数据库的构建与多种应用，包括但不限于面部表情识别、行为生物特征识别、强力面部行为混合形状参数化模型的学习等，该数据库可公开获取以作进一步研究目的。

Dec, 2017

本研究提出了一种结合深度卷积神经网络（DCNN）和 Haar Cascade 深度学习架构的混合模型，用于将实时和数字面部图像分类到七种面部表情类别之一。实验结果表明，与其他模型相比，该架构在分类性能上具有显著优势，并且准确率高达 70％，执行时间短，为 2098.8 秒。

Jun, 2022