本研究分析了24个面部表情识别（FER）数据集，提出了新指标，发现大规模自动收集的数据集在泛化能力上更优，并为数据集的选择和设计提供了建议，以促进FER系统的发展。

本研究提出了一种基于视频的噪声感知自适应加权方法(V-NAW)，旨在解决面部表情识别中的标签模糊和类别不平衡问题。该方法通过自适应分配每帧的重要性，显著提升了识别性能。

本研究分析了31项关于面部表情识别技术在老年人健康应用的研究，发现卷积神经网络占主导地位，但数据多样性不足和隐私问题限制了其实际应用。强调需要开发不同年龄段的数据集，并提出未来研究的建议。

本研究提出了一种创新方法，利用60 GHz短程FMCW雷达实现实时面部表情识别，分类准确率达到98.91%，显示出广泛应用潜力。

本研究综述了面部表情识别中的图表示学习方法，探讨了图扩散、时空图和多流架构等新方法，揭示了其提升识别性能的潜力。

本研究提出了一种新方法，通过交叉相似性注意力机制和四分支循环框架，有效提取面部表情识别中的特征，提升识别准确率，超越现有先进技术。

本文提出了一种基于对比学习的新颖视角不变的面部表情识别框架ViewFX。该方法在多视角面部表情识别数据集上表现优于以往的方法，并且对观察角度和训练样本标签数目的变化具有较低的敏感性。同时，还进行了详尽的敏感度和消融实验。

本研究提出了一种新颖的面部表情识别（FER）方法，通过使用训练集提升了FER方法的零样本泛化能力。实验证明该方法在五个不同的FER数据集上优于现有方法。

该研究提出了一种基于Transformer的新框架，通过使用Vision Transformer和Transformer模型，实现了情感估计、面部表情识别和动作元检测。引入了随机帧遮罩的学习技术和Focal损失的应用，增强了情绪和行为分析的准确性和适用性。预计对情感计算和深度学习方法的发展有所助益。

介绍了一种名为分心网络（DAN）的新面部表情识别网络，通过编码局部特征之间的高阶交互来实现最先进的面部表情识别性能。

本文提出了一种基于对比学习的面部表情识别框架ViewFX，能够准确分类面部表情，无论观察角度如何。实验证明该方法在公开数据集上表现优于以往方法，并对挑战性观察角度和训练样本标签数目具有较低的敏感性。同时，进行了敏感度和消融实验，评估了模型不同部分的影响和对参数的敏感性。

DrFER方法在3D人脸领域引入了解缠表示学习方法，提高了识别面部表情的能力。经过评估，DrFER在BU-3DFE和Bosphorus数据集上表现优于其他3D FER方法。

本文提出了一种基于对比学习的面部表情识别框架ViewFX，能够准确分类面部表情，无论观察角度如何。该方法利用自监督对比损失学习视角不变特征，并引入有监督对比损失区分不同表情。实验证明该方法在多视角面部表情识别数据集上表现优于以往方法，并对模型不同部分和参数进行了敏感度和消融实验。

DMUE是一种解决面部表情识别中注释模糊性问题的方法，从潜在分布挖掘和成对不确定性估计两个角度入手，引入了多分支学习框架来更好地挖掘标签空间中的潜在分布，并评估不同实例之间的语义特征对成对模糊程度。该方法在真实世界基准测试和合成嘈杂数据集上表现出领先的性能，且不依赖于主干架构，不会增加额外的推演负担。

本文介绍了一种名为LatentFace的无监督解缠面部表情和身份表示的框架，使用3D感知的潜入模型来解决这一问题。该方法在无监督面部表示学习模型中表现出最先进的性能。

该文章介绍了一种新的连续学习方法，通过知识蒸馏和预测排序记忆重放，能够准确识别使用少量训练样本的新复合表情类别。该方法在复杂面部表情识别的连续学习方面达到了最新水平，新类别的整体准确率为74.28%。与非连续学习方法相比，连续学习实现复杂面部表情识别能够获得更好的性能，提高了13.95%的最新水平。这是首次将少样本学习应用于复杂面部表情识别，每个表情类别使用单个训练样本实现了100%的准确率。