FER+注释为标准Emotion FER数据集提供了一组新标签。在FER+中，每个图像都由10个众包标签标记，与原始FER标签相比，这些标签为静态图像情感提供了更好的质量基础真相。每个图像有10个标签可以让研究人员估计每张脸上的情绪概率分布。这允许构建生成统计分布或多标签输出的算法，而不是传统的单标签输出，如中所述：https://arxiv.org/abs/1608.01041

以下是从上述纸张中提取的FER与FER+标签的一些示例（FER顶部、FER+底部）：

新标签文件命名为2013年5月新.csv包含与原始行数相同的行数2013年3月.csv使用相同的顺序标记文件，以便推断哪个情感标签属于哪个图像。由于我们无法托管实际图像内容，请在此处查找原始FER数据集：https://www.kaggle.com/challenges-in-representation-learning-faceal-expression-recognition-challenge/data（https://www.kaggle.com//challenges-in-representation-learning-faceal-expression-recognition-challenge/data）

CSV文件的格式如下：用法、中性、快乐、惊讶、悲伤、愤怒、厌恶、恐惧、蔑视、未知、NF。“用法”列与原始FER标签相同，以区分培训、公共测试和私有测试集。其他列是每个情感的投票数，添加了未知和NF（非脸）。

我们还提供了一个训练代码，用于实现中描述的所有训练模式（多数、概率、交叉熵和多标签）https://arxiv.org/abs/1608.01041。培训代码使用MS认知工具包（以前称为CNTK），可从以下网站获得：https://github.com/Microsoft/CNTK.

安装认知工具包并下载数据集后（我们将在接下来讨论数据集布局），您只需运行以下命令即可开始培训：

python train.py-d＜数据集基本文件夹＞-m多数

python train.py-d<数据集基本文件夹>-m概率

python训练.py-d<数据集基本文件夹>-m交叉熵

python train.py-d<数据集基本文件夹>-m多目标

有一个名为data的文件夹，其布局如下：

/数据/FER2013测试标签.csv/FER2013列车标签.csv/FER2013有效标签.csv

标签.csv在每个文件夹中包含每个图像的实际标签，图像名称的格式如下：ferXXXXXXXX.png，其中XXXXXXXX是原始FER csv文件的行索引。下面是前几个图像的名称：

费0000000.pngfer0000001.pngfer0000002.pngfer0000003.png

文件夹中不包含实际图像，您需要从以下位置下载https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data，然后从FER csv文件中提取图像，使“Training”对应的所有图像都进入FER2013Train文件夹，“PublicTest”对应的全部图像进入FER2013 Valid文件夹，“PrivateTest”相应的所有图像进入FER2 013Test文件夹。或者您可以使用生成培训数据.py脚本为您完成下一节中提到的所有上述操作。

我们提供了一个简单的脚本生成训练数据.py用蟒蛇2013年3月.csv和2013年5月新.csv作为输入，合并两个CSV文件并将所有图像导出为png文件供培训师处理。

python generate_training_data.py-d<数据集基本文件夹>-fer<fer2013.csv路径>-ferplus<fer2013new.csv path>

如果您在研究中使用新的FER+标签或样本代码或其中的一部分，请引用以下内容：

@进行中{BarsoumICMI2016，
title={利用众源标签分布训练面部表情识别深度网络}，
作者={Barsoum，Emad和Zhang，Cha和Canton Ferrer，Cristian和Zhang，Zhengyou}，
booktitle={ACM多式互动国际会议（ICMI）}，
年份={2016年}
}