深度面部表情识别：综述

随着面部表情识别（FER）从实验室受控条件向具有挑战性的自然场景条件转变，以及深度学习技术在各领域的近期成功，深度神经网络已日益被用于学习判别性表示以实现自动 FER。近期的深度 FER 系统通常关注两个重要问题：由缺乏充足训练数据引起的过拟合，以及与表情无关的变化，如光照、头部姿态和身份偏置。本文对深度 FER 进行了全面综述，包括提供对这些内在问题洞察的数据集与算法。首先，我们描述了深度 FER 系统的标准流程，并给出各阶段的相关背景知识及适用实现建议。随后，我们介绍了文献中广泛使用的可用数据集，并提供了针对这些数据集的公认数据选择与评估原则。针对深度 FER 的最新进展，我们回顾了基于静态图像与动态图像序列、为 FER 设计的现有新颖深度神经网络及相关训练策略，并讨论了它们的优势与局限。本节还总结了在广泛使用基准上的竞争性能。我们将综述扩展至其他相关问题与应用场景。最后，我们回顾了该领域剩余的挑战与相应机遇，以及设计鲁棒深度 FER 系统的未来方向。