FEAFA

FEAFA数据集是由中国科学院工程科学学院创建，包含122名参与者在真实世界条件下的123个视频，总计99,356帧。该数据集通过自开发的Expression Quantification Tool进行详细标注，涵盖9个对称FACS动作单元、10个非对称FACS动作单元、2个对称FACS动作描述符和2个非对称FACS动作描述符，每个动作单元或描述符的强度以0到1的浮点数表示。FEAFA数据集主要用于面部表情分析和3D面部动画，旨在通过精确的动作单元值回归，推动面部动画技术的发展。The FEAFA dataset was created by the School of Engineering Science, Chinese Academy of Sciences. It contains 123 videos from 122 participants captured under real-world conditions, with a total of 99,356 frames. This dataset was thoroughly annotated using its self-developed Expression Quantification Tool, covering 9 symmetric FACS action units, 10 asymmetric FACS action units, 2 symmetric FACS action descriptors, and 2 asymmetric FACS action descriptors. The intensity of each action unit or descriptor is represented as a floating-point number ranging from 0 to 1. The FEAFA dataset is primarily used for facial expression analysis and 3D facial animation, aiming to advance the development of facial animation technologies through precise regression of action unit values.

搜集汇总

数据集介绍

构建方式

FEAFA数据集的构建基于122名参与者在真实世界条件下的面部行为记录，涵盖了儿童、青年和老年人。通过使用自主开发的Expression Quantification Tool，对99,356帧视频进行了手动标注，量化了9个对称FACS动作单元、10个非对称FACS动作单元、2个对称FACS动作描述符和2个非对称FACS动作描述符，每个动作单元或描述符均以0到1之间的浮点数进行精确标注。

特点

FEAFA数据集的显著特点在于其高精度的标注和广泛的覆盖范围。数据集不仅包含了多种年龄段的参与者，还涵盖了多种真实世界条件下的面部表情变化。此外，数据集提供了连续的AU值标注，而非传统的离散级别，这使得其在面部表情分析和3D面部动画生成中具有更高的应用价值。

使用方法

FEAFA数据集可用于多种面部表情分析任务，包括AU值回归、AU检测和AU强度估计。通过使用卷积神经网络（CNN）进行AU值回归，可以生成精确的面部表情参数，进而驱动虚拟角色的3D面部动画。此外，数据集的高精度标注使其在面部表情识别和分类任务中表现出色，为研究人员提供了可靠的基准资源。

背景与挑战

背景概述

面部表情分析是人类非语言交流中的关键组成部分，其在人机交互和面部动画等领域具有广泛应用。为了推动这一领域的研究，中国科学院大学和首都师范大学的研究团队于2019年创建了FEAFA数据集。该数据集包含了122名参与者在真实世界条件下的面部表情视频，共计99,356帧，每帧都通过精细标注的面部动作单元（AU）和动作描述符（AD）进行详细标记。FEAFA数据集的推出填补了现有数据集在AU强度精细标注方面的空白，为面部表情分析和3D面部动画研究提供了宝贵的资源。

当前挑战

FEAFA数据集在构建过程中面临多项挑战。首先，精细标注AU强度需要大量的人力和时间，确保标注的准确性和一致性是一个重大挑战。其次，数据集中的视频在光照、尺度、位置和姿态上存在显著变化，这增加了AU值回归任务的复杂性。此外，如何在高变异性的面部表情中准确区分和量化细微的AU变化，也是当前研究面临的主要难题。这些挑战不仅影响了数据集的构建效率，也对基于该数据集的算法提出了更高的性能要求。

常用场景

经典使用场景

FEAFA数据集在面部表情分析和3D面部动画领域具有经典应用场景。其主要用途包括通过深度学习技术对面部动作单元（AU）进行精确的回归分析，从而实现对面部表情的细致量化。此外，该数据集还支持基于2D视频帧的3D面部动画生成，通过回归得到的AU值驱动虚拟角色的表情变化，避免了传统3D面部重建的复杂过程。

衍生相关工作

FEAFA数据集的发布催生了多项相关研究工作。例如，基于该数据集的AU值回归算法被广泛应用于面部表情识别和3D面部动画生成。此外，研究人员还利用FEAFA数据集开发了新的面部表情量化工具和深度学习模型，进一步提升了面部表情分析的精度和效率。这些衍生工作不仅丰富了面部表情分析的研究领域，也为实际应用提供了强有力的技术支持。

数据集最近研究

最新研究方向

在面部表情分析领域，FEAFA数据集的最新研究方向主要集中在高精度面部动作单元（AU）值的回归和3D面部动画的生成。该数据集通过详细标注的面部动作单元和动作描述符，为研究人员提供了丰富的资源，以推动面部表情分析和3D面部动画的前沿研究。FEAFA数据集的引入不仅填补了现有数据集在精细标注方面的空白，还为面部表情的高精度量化和动画生成提供了新的基准。通过深度学习技术，研究人员能够更准确地回归面部动作单元的值，从而实现更逼真的3D面部动画效果。这一研究方向不仅提升了面部表情分析的精度，还为虚拟现实、人机交互等应用领域带来了新的可能性。

相关研究论文

• FEAFA: A Well-Annotated Dataset for Facial Expression Analysis and 3D Facial Animation

  中国科学院工程科学学院 · 2019年