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

本文提出了 POSTER++，通过交叉关注机制、取消图像到地标分支和多尺度特征提取等三个方向，实现了对 POSTER 性能的提升，大大降低了计算成本，并在 RAF-DB、AffectNet (7 cls) 和 AffectNet (8 cls) 等多个标准数据集上，取得了最优的面部表情识别性能。

Jan, 2023

我们提出了一种统一的多分支视觉转换器，用于面部表情识别和口罩佩戴分类任务。我们的方法使用双分支架构提取两个任务的共享特征，获得多尺度特征表示。此外，我们提出了一个跨任务融合阶段，在交换信息的同时，使用交叉注意模块处理每个任务的标记。与为两个任务使用单独的网络相比，我们提出的框架通过简单而有效的跨任务融合阶段降低了总体复杂性。广泛的实验证明，我们提出的模型在面部表情识别和口罩佩戴分类任务上的表现优于或与不同的最新方法相当。

Apr, 2024

本文提出了一个名为 POSTER 的 Pyramid Cross-fusion Transformer 网络，通过 transformer-based cross-fusion paradigm 解决 Facial Expression Recognition 中的 inter-class similarity、intra-class discrepancy 和 scale sensitivity 问题，并且采用金字塔结构实现了尺度不变性，在 RAF-DB、FERPlus 和 AffectNet 测试集上均取得了优于 SOTA 的结果。

Apr, 2022

本研究提出了一种新的模块，名为 “Amending Representation Module (ARM)”，可有效增强面部表情识别的性能，通过减少侵蚀特征权重和简化表征学习两个方向，克服了卷积填充引起的侵蚀问题，获取更准确的面部表情识别结果。

Mar, 2021

本篇研究利用多模态方法提高情感识别的准确性，提出了一种多模态融合网络 M2FNet，利用视觉、音频和文本模态提取情感相关特征，并使用多头注意力机制进行融合。经实验验证，该方法在 MELD 和 IEMOCAP 数据集上表现显著优于其他方法，达到了情感识别领域的最新性能表现。

Jun, 2022

创新方法集成了自我监督学习方法 MAE-Face 和融合注意机制，用于情感分类，通过提取关键面部特征以增强模型性能，特别是在 ABAW 第六次竞赛中展示，并在 Aff-wild2 数据集上得到显著验证。

Mar, 2024

本研究提出了一种自适应融合网络，利用人脸显著区域的掩码来增强 2D 和 3D 局部特征，通过设计的调制向量自动学习，以及计算重要性权重的新型融合策略可以在卷积层中执行自适应融合。实验结果表明，该方法在 BU-3DFE 和 Bosphorus 数据集上具有最先进的性能并且需要较少的参数。

May, 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