FERV39k

我们建立了一个大规模的多场景数据集，称为FERV39k。我们从三个方面分析了构建此类新颖数据集的重要组成部分 :( 1) 多场景层次结构和表达式类; (2) 候选视频剪辑的生成; (3) 可信的手动标记过程。基于这些准则，我们选择了4个场景，分为22个场景，根据精心设计的工作流，对4k视频自动获得的86k样本进行注释，最终构建38,935个带有7个经典表情的视频片段。还提供了四种基准框架的实验基准，并进一步分析了它们在不同场景中的性能，并给出了未来研究的一些挑战。