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

研究使用深度学习技术构建面向脑瘫患者的自动面部表情识别系统，以提高神经病变和沟通障碍患者疼痛识别的准确性和敏感性。

Jan, 2024

本文提出了一种基于神经网络和高斯过程回归模型的个性化估计疼痛程度的方法 DeepFaceLIFT，并在 UNBC-McMaster 肩疼痛表情库上展示了较高的性能，同时提供了置信度估计及易于解释的面部表情区域。

Aug, 2017

本文提出了一种用于面部表情识别的新框架，通过使用选择面部补丁的外观特征，使用一对一分类方法来分类每对表情类，提取包含区分特征的显著补丁，并针对不同表情类选择不同的显著补丁，提出了一个自动学习 - 无费用的面部标记检测技术，该技术在不同分辨率下表现稳定，在 CK + 和 JAFFE 面部表情数据库上展示了该系统的有效性。

May, 2015

该文章提出了一种基于面部表情的自动疼痛感知系统，使用递归神经网络和隐藏式条件随机场进行自动疼痛强度和视觉模拟评分的估计。通过引入每个人的面部表情得分进行模型的个性化定制，证明了个性化方法优于传统的非个性化方法。

Jun, 2017

通过自适应分层时空动态图像（Adaptive Hierarchical Spatio-temporal Dynamic Image，AHDI）技术，我们在医疗保健和医学领域中引入了自动疼痛强度估计方法。该方法使用面部表情作为主要工具，利用 AHDI 将面部视频的时空变化编码为一个单一的 RGB 图像，并应用简化的二维深度模型进行视频表征。该技术框架中，我们采用残差网络来获得面部的广义表征，并针对两个任务进行优化：疼痛强度估计和真实与模拟疼痛表达的区分。方法在两个广泛使用的疼痛数据集上进行测试，在两个任务上均取得了令人鼓舞的结果。除了最小化对大量标记数据的需求外，我们的方法还提高了疼痛评估的精度，提供了更好的疼痛管理。

Dec, 2023

本研究提出了一种新的技术 ——Facial Landmark Heatmap Activated Multimodal Gaze Estimation (FLAME)，通过使用眼部解剖信息结合眼睛地标热图来获得精确的注视估计，从而克服了人体解剖差异的问题，而不需要任何人特定的标定。研究评估表明，本方法在 ColumbiaGaze 和 EYEDIAP 的基准数据集上具有竞争性能，并进行消融研究以验证方法的有效性。

Oct, 2021

提出一种有效的基于 patch 的人脸图像质量评估算法，该算法综合考虑了人脸图像的几何对齐、锐度、头部姿势等因素，能够识别最正面、对齐、锐利和照明良好的图像，并在实验中表明在人脸子集的选择方面，该方法优于现有技术，使人脸识别准确度显著提高。

Apr, 2013

提出一种名为 Landmark-Aware Net（LA-Net）的新型面部表情识别模型，利用面部标记从两个角度降低标签噪声的影响，通过邻域聚合构建每个样本的标签分布，并使用表情 - 标记对比损失将标记信息融入表情表示中，以提高培训监督质量，并在野外数据集和合成噪声数据集上展示了最先进的性能。

Jul, 2023

本论文介绍了利用预训练的深度模型在静态照片上提取可靠情感特征的可能性，并通过多任务场景中的轻量级模型来识别面部表情、价值和唤起。实验结果表明，与现有的非集成技术相比，我们的方法显著提高了验证集上的质量指标。

Mar, 2024