提出了一种简单但有效的联邦人脸识别框架 AdaFedFR，通过设计一种自适应的类间表示学习算法，在严格保护隐私的情况下提高泛化性能和联邦训练的效率。实验结果表明，该方法在几个常见的人脸识别基准上优于以前的方法，仅用不到 3 次通信轮次，展现出友好的通信性能和高效性。

May, 2024

通过动态阈值方法，从含无干扰样本的数据集中选择数据，以减少嘈杂注释对面部表情识别深度学习的影响。同时，该研究还构建了一个无监督的同步 loss 机制使其能够学习从所有的数据集中学习。

Aug, 2022

本文提出了第一个基于自我监督预训练和聚类级伪标记的无源自适应方法，通过解决面部表情识别中域偏移和数据保护问题，在 FER 的四种自适应情境下验证了其有效性，并证明其与处理 UDA 下 FER 的现有方法相当。

Oct, 2022

探讨使用自我监督学习方法进行多模态动态面部表情识别的研究，并提出了解决该任务中的主要挑战以及相应解决方案，最终在 DFEW 和 MFAW 两个常用的动态面部表情识别基准数据集上实现了超过当前最先进方法的改进。

Apr, 2024

本研究提出了一种动态自适应阈值的方法来解决面部表情识别中存在的不准确注释的问题，该方法通过样本选择和负类一致性引导模型学习，以获得比现有基线方法更好的性能。

May, 2023

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

本文针对不同面部表情识别（FER）数据集间的数据不一致性问题，提出了一种新的跨域 FER 方法（AGRA），通过将图表示传播与对抗学习相结合，实现了域内和跨域间简化特征的自适应共适应。简单说，这个方法可以更好地识别面部表情并且比以前的方法表现更好。

Aug, 2020

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

本研究引入了 LRDif，这是一个专为嵌入式显示相机（UDC）中的人脸表情识别（FER）而设计的新型扩散框架。LRDif 通过应用深度模型的鲁棒分布映射能力和变形器的空间依赖建模能力，以有效地识别 UDC 图像中的情绪标签，解决了 UDC 环境中噪声和畸变的困扰，并在包括 RAF-DB，KDEF 和 FERPlus 在内的标准 FER 数据集上展示了最先进的性能，突显了其在推动 FER 应用方面的潜力。这项工作不仅解决了 FER 领域中 UDC 挑战的重大差距，而且为未来的研究设定了新的基准。

Feb, 2024

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