本研究提出了一种基于深度学习和面部视频数据的情感检测方法，使用 Convolutional Neural Network 训练一个能够估计三维表情模型参数的模型，并结合情感分类器，能够高效准确地从动态图像中识别面部表情，且在基本情感和压力情感的识别任务中超过了其他方法。

May, 2020

本文介绍了一个新的图像数据集，旨在鼓励进一步研究视觉情感分析。 在此数据集上进行了广泛的基准测试分析，包括使用卷积神经网络等最新方法，证实了手工调整特征的有效性以及由于缺乏数据而导致的视觉情感分析发展滞后的挑战。

May, 2016

使用卷积神经网络在遮住眼睛和眉毛的全脸图像中准确识别七种不同的情绪，通过对虚拟现实游戏中玩家情感数据的收集与分析，提高游戏玩法分析，帮助游戏开发者创建更具吸引力和沉浸感的游戏体验。

Dec, 2023

在自然语言处理中，从文本输入进行情感分析既具有挑战性又有趣。然而，由于低水平语言（即泰米尔语）中的数据集缺乏，难以在这一领域进行高水平的研究。因此，我们介绍了这个标注数据集（一个包含超过 42k 个泰米尔 YouTube 评论的最大手动注释数据集，标注 31 种情绪，包括中立情绪）用于情绪识别。这个数据集的目标是改善泰米尔语中多项下游任务的情绪检测。我们还创建了三种不同的情感分组（3 类，7 类和 31 类），并在每个分组的类别中评估了模型的性能。我们的 MURIL-base 模型在我们的 3 类组数据集上达到了 0.6 的宏平均 F1 分数。在 7 类和 31 类组中，随机森林模型的宏平均 F1 分数分别为 0.42 和 0.29。

Feb, 2022

使用从逼真的新闻视频中提取的面部地标的情感识别的一种新方法，采用图神经网络分析面部地标的几何和空间关系，提高情感识别的理解和准确性。该方法通过构建基准数据集展示了其可行性和潜力，为情感识别技术的未来研究指明了新的方向。

Apr, 2024

本文介绍了 EmotioNet 挑战的方法和结果，其中第一项挑战测试了当前计算机视觉算法在自动检测表情动作单元（AU）方面的能力，第二项挑战测试了算法在面部表情图像的情感分类方面的能力，研究表明当前机器学习算法在这两个任务中无法可靠地解决问题，计算机视觉算法在检测动作单元时的效果比检测情感分类时的效果要好。

Mar, 2017

机器学习在视觉情感识别方面的应用具有很大的潜力，但目前的方法针对有限的视觉情感概念局限于小规模数据集上进行模型训练和测试。我们的分析确定了现有视觉情感基准测试中存在的一个长期被忽视的问题，即数据集偏见。基于我们的分析，我们提出了一个基于 Webly 监督方法的解决方案，通过利用大量的库存图像数据进行训练。我们发现，使用我们的大规模图像数据集学习的模型表现出了明显更好的泛化能力。此外，使用我们的方法学习得到的视觉表示在不同的图像和视频数据集上具有很大的潜力。

Aug, 2018

该研究探讨了 CNN 模型识别和分类人类面部表情（积极、中立、消极）的能力，通过对芝加哥人脸数据库的预处理数据进行训练，模型在 10,000 张图像上达到 75% 的准确率，表明实现准确分析人类情感以及实用情感人工智能的可能性。

Oct, 2023

在深度学习模型使用高维输入和主观标签进行训练时，公正性依然是一个复杂且缺乏研究的领域。面部情绪识别是一个数据集往往存在种族不平衡问题的领域，可能导致模型在不同种族群体之间产生不同的结果。本研究聚焦于通过对具有多样种族分布的训练集进行子采样，以及评估这些模拟中的测试性能来分析种族偏见。我们的发现表明，较小的数据集中的伪造面孔可以在接近种族平衡的模拟中提高公正性和性能指标。值得注意的是，F1 分数平均增加了 27.2 个百分点，人口统计学平等指标平均增加了 15.7 个百分点。然而，在具有更多面部变化的较大数据集中，公正性指标通常保持不变，这表明仅仅种族平衡是无法在不同种族群体之间实现测试性能的平等的。

Aug, 2023

本研究提出了一种称为 SAFER 的新颖系统，采用先进的深度学习技术从面部肖像中提取不同的特征，并融合背景和位置类型等上下文信息以增强性能，用于面部情绪识别，并通过针对 COVID-19 口罩因素的实验及对主流面部表情数据集的限制问题的探究，提出了一种新的用于面部情绪识别的数据集，该系统具有较高的识别准确率。

Jun, 2023