通过研究场景上下文对动态面部表情识别的影响，我们发现当前的识别方法忽视了情境对表情的影响，我们将之称为刚性认知问题。为了更好地模拟人类认知情绪的方式，我们提出了一种整体理解场景的动态面部表情识别方法（OUS），该方法有效地整合了场景和面部特征，成功地理解了场景背景和情绪表达之间的复杂关系。OUS 在两个最大的动态面部表情识别数据集 DFEW 和 FERV39k 上进行了广泛的实验证明，明显优于现有的方法。

May, 2024

本文提出了利用 MRE 和 GUS 技术的人脸表情识别方法，以解决表情变化和数据不确定性带来的挑战。实验结果表明该方法具有更强的泛化能力和更稳健的表情捕捉表示能力。

Jul, 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

本研究将数据不确定性学习应用于人脸识别，实现对特征（平均值）和不确定性（方差）的同时学习，并提供了有关如何结合不确定性估计来减少噪声样本不利影响以及影响特征学习的深入分析。

Mar, 2020

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

通过静态 - 动态模型 (S2D) 结合面部标志感知特征和基于情感锚点的自蒸馏损失函数，提高了动态面部表情识别性能并达到了最先进水平。

Dec, 2023

该研究提出了一种基于 Self-Cure Network 的深度学习面部表情识别方法，通过权重排名和周到的重新标记机制抑制面部表情数据集中的不确定性，实现对不确定面部图像的过度拟合，并在公共基准测试中达到了优于当前最先进方法的分类精度。

Feb, 2020

通过建模数据的不确定性，本研究提出了一种将传统面部反欺骗（FAS）点估计转换为分布估计的方法，以提高 FAS 在长距离监控场景中的稳定性和准确性。该方法在 SuHiFiMask 数据集上得到了验证，并在 ACER 和 AUC 指标上表现出可比较的性能。

Sep, 2023

本文介绍了一种名为动态分辨率引导面部表情识别（DRGFER）的实用方法，该方法能够在分辨率不同的图像中有效地识别面部表情，而不会影响面部表情识别模型的准确性。该方法包括两个主要组成部分：分辨率识别网络（RRN）和多分辨率适应面部表情识别网络（MRAFER）。RRN 确定图像分辨率，输出一个二进制向量，而 MRAFER 根据分辨率将图像分配给适合的面部表情识别网络。我们在广泛使用的 RAFDB 和 FERPlus 数据集上评估了 DRGFER，结果显示我们的方法在每个分辨率上保持了最佳模型性能，并且优于其他分辨率方法。所提出的框架对分辨率变化和面部表情具有鲁棒性，为实际应用提供了有前途的解决方案。

Apr, 2024

创新的 DrFER 方法在 3D 人脸领域引入了概念上的解缠表示学习方法，通过使用双分支框架，有效地将表情信息与身份信息解耦，并通过重新配置损失函数和网络结构适应于点云数据，从而提高了框架在识别面部表情方面的能力，即使在涉及不同头部姿势的情况下，经过对 BU-3DFE 和 Bosphorus 数据集进行的广泛评估表明，DrFER 超过了其他 3D FER 方法的性能。

Mar, 2024