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 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

本文介绍了关于面部表情识别中存在的人口统计偏见的问题，通过使用公共数据集进行实证研究，发现其结果表明在全球统计上存在的偏见并不意味着有利于所有人群，需要对歧视性偏见进行彻底分析和处理。

Oct, 2022

本文通过汇总人工智能伦理学和情感识别文献的信息，提出了与自动情感识别相关的 50 个伦理考虑因素，特别关注情感识别对隐私和社会群体的影响，并提出了有关负责任的自动情感识别的关键建议。

Sep, 2021

我们提出了一种半监督学习技术来生成未标记面部数据的表情类别伪标签以解决有限 FER 数据集的泛化能力问题，并采用均匀抽样和去偏反馈学习策略来应对数据集中的类别不平衡问题和半监督学习中的数据偏差问题。此外，引入了时间编码器来学习和捕捉静态图像之间的临近表情特征的时间关系，并在第 6 届 ABAW 竞赛中在官方验证集上取得了优秀的成绩，充分证实了我们提出方法的有效性和竞争力。

Mar, 2024

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

通过集成情感识别、音乐推荐和可解释人工智能，利用 GRAD-CAM 的方法可以提高用户体验。在情感分类上，该系统的准确率达到 82％，并利用 GRAD-CAM 提供预测的解释，使用户能够理解系统推荐背后的原因。该论文提出的方法利用 ResNet50 模型、面部表情识别数据集和真实用户数据集进行训练，为面部情感检测提供了强大而可解释的解决方案。

Apr, 2024

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

我们提出了一种使用面部动作单元（AUs）识别技术来识别情绪的方法，该识别方法基于面部动作编码系统（FACS）并通过机器学习系统计算，以扩展情绪识别技术的能力。

Nov, 2023