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

该研究介绍了一种基于深度网络的上下文感知情感识别方法，利用了人脸表情和场景上下文信息进行情感识别，并通过引入新的基准数据集 CAER 在多个基准测试中表现出了上下文对于情感识别的有效性。

Aug, 2019

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

通过研究场景上下文对动态面部表情识别的影响，我们发现当前的识别方法忽视了情境对表情的影响，我们将之称为刚性认知问题。为了更好地模拟人类认知情绪的方式，我们提出了一种整体理解场景的动态面部表情识别方法（OUS），该方法有效地整合了场景和面部特征，成功地理解了场景背景和情绪表达之间的复杂关系。OUS 在两个最大的动态面部表情识别数据集 DFEW 和 FERV39k 上进行了广泛的实验证明，明显优于现有的方法。

May, 2024

我们提出了一种基于集成学习方法的复合表情识别的解决方案，通过训练基于卷积网络、Vision Transformers 和多尺度局部注意力网络的三个表情分类模型，通过模型集成使用后期融合的方法，我们能够在 RAF-DB 上实现高准确率，并能够通过 C-EXPR-DB 的特定部分实现零样本表情识别。

Mar, 2024

提出了一种利用场景和语义特征的多模态情绪识别方法，通过结合人物特征和环境上下文，使用 EmbraceNet 提取图像特征，并在 EMOTIC 数据集上验证了方法的有效性。

Aug, 2023

综述了多模式对话情感识别的建模方法，大致划分为无上下文建模、顺序上下文建模、说话人差异建模和说话人关系建模四个类别，并讨论了多模式特征提取方法、应用领域、挑战和未来发展方向。希望能够帮助研究人员理解当前情感识别研究的现状，提供一些启示，并开发出更高效的模型。

Dec, 2023

本文提出了 Continual Facial Expression Recognition（ConFER）基准测试，评估了不同的 Continual Learning（CL）方法在面部表情识别任务中的性能，表明 CL 技术在不同的学习设置下能够实现多个数据集上的最先进的性能，因此促进了关于将 CL 原则应用于人类面部表情的行为理解中的益处和挑战的讨论。

May, 2023

本文介绍了使用 mel 频谱图和卷积神经网络来对八种情绪分类的 FSER 模型，经过训练在四个语音数据库中达到了 95.05％的高分类准确率。FSER 在各个基准数据集上表现最好，达到了最新的技术水平。此外，我们还描述了如何使用 FSER 来改善心理和情感保健，并发现这项工作可以作为未来研究的参考和指导。

Sep, 2021

通过使用 FOFE 方法，将多个特征组织成组并将其馈送到专用全连接层，本研究可有效地从上下文和片段特征中学习，并提高命名实体识别 (NER) 的整体性能。实验证明，在仅给定分词文本和训练过的单词嵌入时，本文提出的方法优于基准模型，并与各种著名的 NER 任务的最新技术水平相匹配。

Apr, 2019