本文提出了一种基于深度神经网络的面部表情识别算法，通过学习局部和全局特征，以及类似于图推理方法的消息传递算法，显著提高了在 BP4D 和 DISFA 数据集上的表现。

Mar, 2018

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

在面部表情数据上使用零偏差卷积神经网络，作者在扩展的 Cohn-Kanade 和多伦多人脸数据集上取得了领先水平的性能，并使用空间模式可视化的方法解释了这些卷积神经网络是如何进行表情识别并关联面部动作元素的。

Oct, 2015

通过探索深度学习体系结构在持续情感识别方面的应用，我们提出了一种新颖的三流端到端深度学习回归流程，其中包含一个注意力机制，该机制是基于多个最先进的动作识别系统的子模块的一种组合设计。定量分析表明，所提出的模型优于情感识别和动作识别模型的多个标准基线。

Mar, 2024

本文综述了自 2001 年以来至今关于面部表情识别的研究工作以及该领域的进展，包括面部表情识别的应用、数据库的使用和标准化等方面。此外，还讨论了使用 FACS 行动单元和 MPEG-4 面部动画参数进行面部参数编码的方法和近年来面部检测、跟踪和特征提取方法的进展。最后，本文总结了挑战和未来方向。

Mar, 2012

通过监测学生在课堂中的情绪作为参与度的指标，并提出了一种方法来解决这个问题，本研究评估了不同面部部位对情绪识别模型性能的影响，并引入了一个人工遮挡数据集来测试部分遮挡下的提议模型。研究的创新之处在于提出了一种面部动作单元（AUs）提取的遮挡感知架构，该架构采用了注意机制和自适应特征学习，而这些 AUs 可以用于分类课堂环境中的面部表情。研究的发现为分析面部图像的情绪参与分析中处理遮挡提供了宝贵的见解，实验结果表明在课堂环境中考虑遮挡并提高面部分析模型的可靠性的重要性，并且这些结果也可以推广到其他普遍存在遮挡的场景。

Jul, 2023

这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

May, 2023

本文提出了一种基于单个预训练 AffectNet 的 EfficientNet 模型提取面部特征的新颖的帧级情感识别算法，可以实现移动设备上的实时视频人脸情感分析，在第三届野外情感行为分析（ABAW）竞赛的大规模 Aff-Wild2 数据集上，与 VggFace 基线相比，我们的简单模型在单任务表情分类、趋势 - 觉醒估计和表情分类的验证集中的性能指标高 0.15-0.2，由于简单性，我们的方法可以被视为四个子挑战的新基准。

Mar, 2022

本文针对面部表情识别领域的标签偏差问题，提出了一种利用面部动作单元进行带有三元损失的 AU 校准面部表情识别（AUC-FER）框架，实验证明该方法比现有技术更有效。

Aug, 2021

利用自动化技术生成基于主成分分析的面部动作单元，其能够解释超过 92.83% 的方差，并具有与面部动作编码系统等效的能力。这项研究表明自动化技术在心理学和相关领域中可以作为手动面部动作编码系统标记的替代选择，实现面部表情的高效实时分析。

Jun, 2024