近年来，情感识别技术因其在心理学、人机交互和市场营销等多个领域的应用而受到广泛关注。构建有效的情感检测系统的核心是带有情感标签的高质量数据集。本文深入探讨了情感检测领域中可用的顶级数据集，分析了它们的特点、优势以及对推进情感理解和解释研究的贡献。
关键因素
在选择情感识别数据集时，有几个关键因素需要考虑：
数据质量：确保准确可靠的标注。
情感多样性：代表广泛的情绪和表情。
数据量：为模型训练提供足够的样本。
上下文信息：包含相关上下文以实现细微理解。
基准地位：在研究社区中的认可度，用于基准测试。
可访问性：对研究人员和实践者的可用性和可访问性。
情感识别领域顶级数据集
以下是情感识别领域可用的顶级数据集列表：
FER2023是一个包含灰度人脸图像的数据集。每张图像的尺寸为48×48像素，标注了七种基本情绪之一：愤怒、厌恶、恐惧、快乐、悲伤、惊讶或中性。它包含了35000多张图像，成为情感识别研究和应用的重要资源。FER2023最初是为了2013年的Kaggle面部表情识别挑战赛而策划的。自那以后，这个数据集已成为该领域的标准基准。
AffectNet是一个包含超过一百万张面部照片的数据集，这些照片标注了七种基本情绪：愤怒、厌恶、恐惧、愉悦、悲伤、惊讶和中性。该数据集通过涵盖包括年龄、性别和种族在内的广泛人群，确保了情感表现的多样性和包容性。每张图像都精确标注了其情感状态，提供了用于训练和评估的真实标注。
CK+（扩展Cohn-Kanade）是Cohn-Kanade数据集的扩展，专门为涉及情感识别和面部表情分析的任务而创建。它包含了在实验室环境下严格指导下拍摄的各种面部表情。情感识别算法可以从CK+提供的价值数据中受益，因为它专注于自发表情。CK+也是情感计算学术界和实践者的重要资源，提供了包括情感标签和面部地标位置在内的全面标注。