文/编辑 | 言有三
人脸表情识别（Facial Expression Recognition，FER）作为人脸识别技术中的一个重要组成部分，近年来在人机交互、安全、机器人制造、自动化、医疗、通信和驾驶领域得到了广泛的关注，成为学术界和工业界的研究热点，为了帮助大家学习人脸表情相关的内容，我们开设了人脸表情识别的专栏，目前大部分内容已经完结，本次来给大家进行总结。
基于图片的人脸表情识别概念与数据集
首先我们介绍了人脸表情识别的研究背景，基于图片的人脸表情识别问题分类，以及基于图片的人脸表情识别相关的数据集。
表情识别任务的图片预处理
在人脸表情识别中，对人脸进行预处理通常都是一个必不可少的环节。虽然可以利用深度学习方法在不经过预处理的情况下实现端到端的表情识别，但在实际场景下，表情数据通常是用户非限制条件下拍摄产生，在这种环境下拍摄到的人脸存在着姿态变换、光线、遮挡等问题，端到端的表情方法在复杂的现实条件下很容易产生误差。恰当的预处理能够减少因图像质量对识别效果的影响，同时也能提升算法的鲁棒性。
基于图片的人脸表情识别重要论文汇总
近些年大部分人脸表情识别的工作主要围绕深度学习进行展开，这里从近5年基于图片的人脸表情识别的论文中推荐一些具有代表性或创新性工作，包括分阶段微调方法，决策级特征融合方法，身份感知的应用，人脸领域先验经验的应用，GAN与注意力机制的使用等内容。
基于视频的人脸表情识别概念与数据集
在一般情况下，人们通过单张图片即可知道图片中人的表情，理解图片中的人那一瞬间甚至一段时间的情绪。然而，仅依赖单张图片并非在任何场景都能正确地反映人的表情所表达的情绪。此时就需要动态的人脸表情识别（dynamic facial emotion recognition），它通过感知视频/图片序列中人们变化的表情来理解人的情绪。
基于视频的人脸表情识别重要论文汇总
这里从近5年基于视频的人脸表情识别的论文中推荐一些具有代表性或创新性工作，包括3DCNN和LSTM时序问题经典网络，注意力机制和背景信息的使用等。
细粒度人脸表情识别与幅度估计
虽然把表情转换为离散标签并以分类的形式识别出表情类别是当前大部分人脸表情识别研究中最主流的一种研究方式。然而，人的情绪是非常复杂的，通过人脸传达出来的表情也很难被绝对地定义为某个具体的类别，因此简单的分类模式在实际场景中并不能很好地反映人的真实感情。表情识别不仅仅是表情分类问题，还需要对表情的幅度进行回归估计，在能够正确的估计到表情的幅度后，对于表情驱动相关一类应用会有非常重大的意义。
情绪识别相关会议、比赛汇总
在每一年的一些涉及到多媒体、人机交互等主题的会议中，都有一些非常前沿的情绪识别竞赛或者主题研讨会（workshop），它们重点关注的是当前情绪识别研究尚未解决的难点或者贴近实际生活的新颖点，了解这些信息可以掌握当前情绪识别研究的趋势，同时学习新颖的研究方法。这里为大家归纳了2018年至今的一些大型国际情绪识别竞赛和主题研讨，供大家参阅：
早期人脸表情识别综述
最后，可以再回顾一下我们早期的人脸表情识别综述文章，其中内容包括表情定义与分类，人脸表情识别的应用，若干经典人脸表情识别数据集，传统的代表性研究方法和基于深度学习的研究方法。
更多的人脸图像相关内容
为了让大家能够彻底地掌握好人脸图像相关算法，有三AI输出过大量的人脸图像相关内容，包括
(1) 书籍《深度学习之人脸图像》以及配套资料，详细了解请阅读。
(2) 有三AI知识星球-网络结构1000变人脸板块，包括各类任务和数据集。
分享格式为数据集分享，模型细节详解和论文链接，有一些还有实战解读，案例如下：
如果你想在这个方向有所积累，非常推荐入手，扫码即可加入，阅读下文了解有三AI知识星球。
【杂谈】有三AI知识星球指导手册出炉！和公众号相比又有哪些内容？
3，有三AI秋季划人脸算法组
人脸图像小组需要掌握与人脸相关的内容，学习的东西包括8大方向：人脸检测，人脸关键点检测，人脸识别，人脸属性分析，人脸美颜，人脸编辑与风格化，三维人脸重建。了解详细请阅读以下文章：
学习资料包括：(1) 与项目配套的录制视频。(2) 与项目配套的开源资料。(3) 与项目配套的代码数据。(4) 永久有效的相关微信群。(5) 附赠有三AI知识星球社区。
转载文章请后台联系
侵权必究
339
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
