本论文针对情感分析的各个领域进行了研究，提出了基于神经网络的多任务学习方法，该方法有效地应用于Aff-Wild情感数据库的新注释部分并实现了良好的性能。

Nov, 2018

这篇文章介绍了Aff-Wild2这一大型野外数据库，以进行情感识别，通过CNN和CNN-RNN架构的视觉和音频模型，实现了情感识别任务的最先进性能，并使用ArcFace损失函数训练各种新的网络，并取得较与现有技术相比，更好的效果

Sep, 2019

本文介绍了第三届ABAW竞赛，该竞赛以自动情感分析为目标，并包括四个挑战：单任务价值-唤醒估计、单任务表情分类、单任务动作单元检测和多任务学习。在此基础上，我们概述了竞赛数据集、评估指标及基准系统。

Feb, 2022

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

本篇论文主要探究了利用多任务学习技术，在静态照片上进行面部表情、愉悦度和唤起度的识别。在使用合成数据学习的挑战中，MT-EmotiEffNet 模型的学习效果得到了显著提高，同时在预训练集和微调集上进行的预测结果也取得了优异表现。

Jul, 2022

本文介绍了于CVPR 2023会议举办的第五届Affective Behavior Analysis in-the-wild (ABAW) Competition，其中包括四个挑战，使用了两个数据集，分别是Aff-Wild2 database和Hume-Reaction dataset，这些挑战包括单任务的情感估计、表情分类、动作单位检测和情绪反应强度估计。

Mar, 2023

本文介绍了第六届野外情感行为分析(Affect Behavior Analysis in-the-wild, ABAW)竞赛，该竞赛是IEEE CVPR 2024大会举办的研讨会的一部分。该竞赛致力于理解人类情感和行为等当代挑战，对人类中心技术的发展至关重要。具体来说，竞赛关注情感相关的基准任务，包括估计两个连续情感维度（情感价值和唤醒度）、识别七种基本表情和其他表情、检测12个动作单元、识别七种互斥复合表情以及估计六个连续情感维度的情感模仿强度。本文介绍了这些挑战，描述了相应的数据集和挑战协议（包括评估指标），并呈现了基准系统及其表现结果。竞赛的更多信息可在https://affective-behavior-analysis-in-the-wild.github.io/6th上找到。

Feb, 2024

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

该研究介绍了第七届野外情感行为分析（ABAW）竞赛，其中涉及两个子挑战：多任务学习和复合表情识别，以及相关的数据集、协议、评估指标和基线系统。

Jul, 2024

利用双向注意力混合特征网络进行多任务面部表情识别，我们在第七届ECCV ABAW挑战赛中取得了远远超过多任务ABAW挑战赛基线的结果，并展示了该网络同时处理多任务的能力，提供了其设计理念的见解。

Jul, 2024