本研究提出了一种动态自适应阈值的方法来解决面部表情识别中存在的不准确注释的问题，该方法通过样本选择和负类一致性引导模型学习，以获得比现有基线方法更好的性能。

May, 2023

本文提出了一种新的方法，即 Erasing Attention Consistency (EAC) 来解决标签噪声问题，该方法利用人类面部图像的翻转语义一致性设计不平衡框架，并利用随机抹除输入图像和翻转注意力一致性来自动抑制噪声样本的干扰，从而显著优于现有的技术并且具有很好的泛化性能。

Jul, 2022

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

本文提出了一种新颖的方法来避免处理具有极端不平衡性、且在测试时会导致表现降低的 FER 数据集，在捕捉到输入轻微语义扰动的同时，考虑了样本点的邻域平滑度，减少了那些不可靠的样本的影响。在 AffectNet 这个最大的 FER 数据库中进行的实验表明，该方法是有效的，并且报告了最新的研究结果，相较于现有的的技术方法提高了 30% 的上限。

Apr, 2020

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

本文介绍了一种名为动态分辨率引导面部表情识别（DRGFER）的实用方法，该方法能够在分辨率不同的图像中有效地识别面部表情，而不会影响面部表情识别模型的准确性。该方法包括两个主要组成部分：分辨率识别网络（RRN）和多分辨率适应面部表情识别网络（MRAFER）。RRN 确定图像分辨率，输出一个二进制向量，而 MRAFER 根据分辨率将图像分配给适合的面部表情识别网络。我们在广泛使用的 RAFDB 和 FERPlus 数据集上评估了 DRGFER，结果显示我们的方法在每个分辨率上保持了最佳模型性能，并且优于其他分辨率方法。所提出的框架对分辨率变化和面部表情具有鲁棒性，为实际应用提供了有前途的解决方案。

Apr, 2024

探讨使用自我监督学习方法进行多模态动态面部表情识别的研究，并提出了解决该任务中的主要挑战以及相应解决方案，最终在 DFEW 和 MFAW 两个常用的动态面部表情识别基准数据集上实现了超过当前最先进方法的改进。

Apr, 2024

本文演示如何使用深度卷积神经网络 (DCNN) 从嘈杂的标签中学习，并以面部表情识别为例。通过比较多数投票，多标签学习，概率标签绘制和交叉熵损失四种方法来利用多个标签，我们发现传统的多数投票方案表现不如完全利用标签分布的最后两种方法。此外，我们还向研究社区共享了一组多标签面部图像数据集。

Aug, 2016

通过静态 - 动态模型 (S2D) 结合面部标志感知特征和基于情感锚点的自蒸馏损失函数，提高了动态面部表情识别性能并达到了最先进水平。

Dec, 2023

通过标签分布学习范例和双分支的自适应分布融合框架，以应对日常生活中面部表情识别（FER）任务中数据集中的注释模糊性，并通过辅助分支获得样本的标签分布，计算每种情绪的类别分布，然后根据注意权重自适应地融合这两个分布来训练目标分支，在 RAF-DB、AffectNet 和 SFEW 三个真实世界数据集上进行的大量实验证明了我们的 Ada-DF 相对于最先进的工作的优势。

Apr, 2024