FER+
FER+ 注释为标准的 Emotion FER 数据集提供了一组新的标签。在 FER+ 中，每张图片都有10个众包标签，这比原始的FER标签提供了更好的静态图像情感的真相。每个图像有10个标记，研究人员就可以估计每张脸的情绪概率分布。这允许构建产生统计分布或多标签输出的算法，而不是传统的单标签输出，如下所述：https://arxiv.org/abs/1608.01041
下面是从上述论文中提取的 FER 和 FER+ 标签的一些例子（FER top，FER + bottom）：
新的标签文件名为 fer2013new.csv，它包含与原始 fer2013.csv 标签文件具有相同顺序的相同行数，以便您可以推断哪个情感标签属于哪个图像。由于我们无法托管实际的图像内容，请在这里找到原始的 FER 数据集：https://www.kaggle.com/c/challenges-in-representat...
CSV文件的格式如下：使用，中性，幸福，惊喜，悲伤，愤怒，厌恶，恐惧，轻蔑，未知，NF。列“用法”与原始 FER 标签相同，以区分训练、公共测试和私人测试集。其他列是每个情感的投票数加上未知和 NF（不是一个面孔）。
训练
我们还为 https://arxiv.org/abs/1608.01041 中描述的所有训练模式（多数，概率，交叉熵和多标签）提供了一个训练代码。训练代码使用 MS 认知工具包（以前称为CNTK）：https://github.com/Microsoft/CNTK。
在安装 Cognitive Toolkit 并下载数据集（我们将在下面讨论数据集布局）之后，您可以简单地运行以下操作来开始训练：
对于多数投票模式
python train.py -d <dataset base folder> -m majority
对于概率模式
python train.py -d <dataset base folder> -m probability
对于交叉熵模式
python train.py -d <dataset base folder> -m crossentropy
对于多目标模式
python train.py -d <dataset base folder> -m multi_target
FER+ 训练布局
有一个名为 data 的文件夹具有以下布局：
/data
/FER2013Test
label.csv
/FER2013Train
label.csv
/FER2013Valid
label.csv
label.csv 每个文件夹中的 label.csv 包含每个图像的实际标签，图像名称采用以下格式：ferXXXXXXXX.png，其中XXXXXXXX是原始FER csv文件的行索引。所以这里的头几个图像的名字：
fer0000000.png fer0000001.png fer0000002.png fer0000003.png
该文件夹不包含实际的图像，你需要从https://www.kaggle.com/c/challenges-in-representat...下载，然后提取所有与“训练”对应的图像进入 FER2013Train 文件夹，对应 “PublicTest” 的所有图像进入 FER2013Valid 文件夹，对应 “PrivateTest” 的所有图像进入 FER2013Test 文件夹。或者你可以使用generate_training_data.py 脚本来完成上述所有的操作，就像下一节提到的那样。
训练数据
我们在 python 中提供了一个简单的脚本 generate_training_data.py，它将fer2013.csv 和 fer2013new.csv 作为输入，合并这两个 CSV 文件，并将所有图像导出为一个png文件供教练员处理。
python generate_training_data.py -d <dataset base folder> -fer <fer2013.csv path> -ferplus <fer2013new.csv path>
引文
@inproceedings{BarsoumICMI2016,
title={Training Deep Networks for Facial Expression Recognition with Crowd-Sourced Label Distribution},
author={Barsoum, Emad and Zhang, Cha and Canton Ferrer, Cristian and Zhang, Zhengyou},
booktitle={ACM International Conference on Multimodal Interaction (ICMI)},
year={2016}
}