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