EmotioNet_

面部感知和情感理论的基础研究无法完成，没有大量的注释数据库的情感面部表情的图像和视频序列[7]。
一些最有用和通常需要的注释是行动单位（AU），AU强度和情感类别[8]。
虽然中小型数据库可以由专家编码人员在几个月内手动注释[11,5]，但是大型数据库不能。
例如，即使可以通过一个非常快的方式注释每个脸部图像
专家编码器（例如20秒/图像），编码一百万张图片需要5,556小时，这可以转换为694（8小时）的工作日或2.66年的不间断工作。
有时可以管理这种复杂性，例如，在图像分割[18]和对象分类[17]中，因为每个人都知道如何使用
可以使用最少的说明和在线工具（例如，Amazon的Mechanical Turk）来招募大量的人员。
但是，AU编码需要具体的专业知识，需要数月才能学习和完善，因此需要替代解决方案。
这就是为什么近年来，已经有许多计算机视觉算法提供了AU注释的全自动或半自动方法[20,10,22,2,26,27,6]。
现有算法的主要问题是它们无法识别所有应用程序的所有必需的AU，不指定AU强度，太空计算和/或使用大型数据库的时间，或仅在数据库内测试
?（即使当使用多个数据库时，通常在每个数据库内独立进行培训和测试）。
本文描述了一种新的计算机视觉算法，用于识别通常在大多数应用中看到的AU，它们的强度以及跨数据库的大量（23）的基本和复合情感类别。
此外，图像在语义上用421个情感关键词注释。 （这些语义标签的列表在补充材料中。）最重要的是，我们的算法首先提供可靠的AU识别及其数据库的强度，并实时运行（> 30张/秒）。
这使我们能够在具有2.8 GHz i7内核和32 Gb RAM的PC中，在大约11小时内自动注释一百万个在野外的情绪图像的大型数据库。
结果是可以容易地被AU，AU强度，情感类别或情感关键词查询的面部表情的数据库，图1。这样的数据库对于新的计算机视觉算法的设计将是无价的以及社会和认知心理学，社会和认知神经科学，神经营养和精神病学的基础，翻译和临床研究，仅举几例
2. AU and Intensity Recognition
我们得出了一种新颖的方