FER-C: 面部表情识别的超出分布软校准基准测试
本综述回顾了面部表情分析 (FEA) 中因遮挡导致自动表情识别性能下降的原因，并围绕数据集创建、算法发展等方面的技术进展和面临的挑战，为未来工作提供更好的信息和基准。
Feb, 2018
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
该论文提出了一种基于面部区域注意力网络（RAN）和面部动作单元定义的区域偏差损失，解决面部表情识别中的遮挡和姿态变化问题，并在多个数据集上验证其实验效果。
May, 2019
本文介绍了最近的一个研究项目，针对静态图像表情的识别，构建了一个大规模的视频多场景数据集FERV39k，为FER算法的性能评估提供了一个更实际的场景，提出了一种融合三个方面构建这种数据集的方法，并提供了四种基线框架的实验基准和对其在不同场景下性能的进一步分析，为未来的研究提出了一些挑战性问题。
Mar, 2022
本文提出了一种可靠的噪声标签压制方法，称为ReSup，通过同时建模噪声和干净标签的分布，将噪声数据的判定作为基于预测和目标之间不一致性的一个统计学习问题，再利用两个网络共同实现噪声数据压制，实验证明在三个流行基准数据集上，该方法显著优于当前最先进的噪声标签FER方法。
May, 2023
本文详细研究了11种最新的半监督学习方法，并在不同数据环境（如 in-distribution和unconstrained）下，通过五个人脸表情识别的数据集，对这些方法进行评估。结果表明ReMixMatch算法在大多数的数据情况下表现更好，而半监督学习可以在有限的标注数据下明显提升数据预测性能。
Jun, 2023
基于大规模FER数据集的广泛实验和实践交叉验证, 本文对多种网络架构进行排名, 并给出了在真实情景中应用深度FER方法的一些推荐。此外, 还讨论了实际FER应用中的潜在道德规范, 隐私问题和法规。
Nov, 2023
我们提出了一种新的面部表情识别模型，将小类间距的劣势转化为优势，通过注意力图的一致性和循环训练来检测开放集样本，实验证明我们的方法在各种面部表情识别数据集上明显优于现有的开放集识别方法。
Jan, 2024
这篇研究论文介绍了FER-YOLO-Mamba模型，它是一个用于面部表情图像识别和定位的视觉Mamba模型，结合了Mamba和YOLO技术的原理，进一步设计了FER-YOLO-VSS双分支模块，以提高识别性能。
May, 2024
本研究针对面部表情识别（FER）领域在从受控实验室环境向复杂现实场景转变过程中所面临的挑战，提供全面的综述。论文系统回顾了静态和动态FER方法，提出了应对主要挑战的新颖思路，并通过分析最新进展和基准表现，突出该领域未来的发展方向与潜在影响。
Aug, 2024