Source code

Facial expression recognition is an important task in real-time human-computer interaction, but its practical application is still limited by partial facial occlusion, high computational cost, and the lack of fine-grained emotion representation. To address these issues, this paper proposes OQ-FERNet, an occlusion-aware quantitative facial expression recognition network. The proposed network adopts MobileNetV4-Conv-S as a lightweight facial expression feature extraction backbone to obtain compact and discriminative representations with low computational cost. On this basis, an Occlusion-aware Regional Reweighting module is designed to divide the feature map into upper-face, middle-face, and lower-face regions, and adaptively adjust their contributions according to regional reliability. This design suppresses occluded or less informative facial areas while enhancing visible expression-related cues. Furthermore, a Quantitative Emotion Prediction Head is introduced to jointly perform discrete expression classification and emotion intensity estimation, enabling the model to provide both categorical and fine-grained affective outputs. Experiments are conducted on RAF-DB and AffectNet-7. The results show that OQ-FERNet achieves competitive classification performance, improved robustness under different occlusion conditions, and effective quantitative emotion prediction. Specifically, OQ-FERNet obtains 93.12% accuracy on RAF-DB and 68.32% accuracy on AffectNet-7, while achieving an MAE of 0.246, an MSE of 0.101, and an RMSE of 0.318 for quantitative emotion prediction on AffectNet-7. In addition, the model contains only 4.18M parameters and 0.26G FLOPs, with an inference speed of 356 FPS. These results indicate that OQ-FERNet provides an effective and efficient solution for lightweight, occlusion-robust, and fine-grained facial expression recognition in real-time human-computer interaction scenarios. The source code is publicly available at: https://github.com/jiahao001-j/OQ-FERNet .

شناسایی حالات چهره یکی از وظایف مهم در تعامل بلادرنگ انسان و رایانه است، اما کاربرد عملی آن همچنان با محدودیت‌هایی مانند انسداد جزئی چهره، هزینه محاسباتی بالا و فقدان بازنمایی دقیق احساسات مواجه است. برای رفع این مشکلات، این مقاله OQ-FERNet را به عنوان یک شبکه شناسایی کمی حالات چهره با آگاهی از انسداد پیشنهاد می‌کند. این شبکه از MobileNetV4-Conv-S به عنوان یک ستون فقرات سبک برای استخراج ویژگی‌های حالات چهره استفاده می‌کند تا بازنمایی‌های فشرده و متمایز با هزینه محاسباتی پایین به دست آورد. بر این اساس، یک ماژول وزن‌دهی مجدد ناحیه‌ای با آگاهی از انسداد طراحی شده است که نقشه ویژگی را به نواحی بالای چهره، میانه چهره و پایین چهره تقسیم می‌کند و به طور تطبیقی سهم هر ناحیه را بر اساس پایایی ناحیه‌ای تنظیم می‌کند. این طراحی نواحی چهره مسدود یا کم‌اطلاعات را سرکوب کرده و نشانه‌های مرتبط با حالات قابل مشاهده را تقویت می‌کند. علاوه بر این، یک سر پیش‌بینی کمی احساسات معرفی شده است تا به طور همزمان طبقه‌بندی حالات گسسته و برآورد شدت احساسات را انجام دهد و مدل را قادر می‌سازد خروجی‌های عاطفی هم دسته‌ای و هم دقیق ارائه دهد. آزمایش‌ها بر روی پایگاه‌های داده RAF-DB و AffectNet-7 انجام شده است. نتایج نشان می‌دهد که OQ-FERNet عملکرد طبقه‌بندی رقابتی، افزایش تاب‌آوری در شرایط مختلف انسداد و پیش‌بینی مؤثر کمی احساسات را ارائه می‌دهد. به طور خاص، OQ-FERNet به دقت 93.12% در RAF-DB و دقت 68.32% در AffectNet-7 دست یافته است، در حالی که برای پیش‌بینی کمی احساسات در AffectNet-7 به MAE برابر با 0.246، MSE برابر با 0.101 و RMSE برابر با 0.318 دست یافته است. علاوه بر این، مدل تنها شامل 4.18M پارامتر و 0.26G FLOPs است و سرعت استنتاج آن 356 FPS می‌باشد. این نتایج نشان می‌دهد که OQ-FERNet راه‌حلی مؤثر و کارآمد برای شناسایی حالات چهره سبک، مقاوم در برابر انسداد و دقیق در سناریوهای تعامل بلادرنگ انسان و رایانه فراهم می‌کند. کد منبع به صورت عمومی در دسترس است: https://github.com/jiahao001-j/OQ-FERNet .

Mate choice copying, the use of social information from others' mating decisions, is a taxonomically widespread form of social learning that can shape sexual selection. Two meta-analyses concluded that social information has a moderate positive effect on mate choice, but both rest on literature searches now at least seven years old. We asked whether the overall average effect they reported remains supported. Using a multilingual, grey-literature-inclusive search across seven languages, we added 69 effect sizes from 29 studies and harmonised the two source metrics, giving 227 Hedges' g effect sizes from 87 studies and 172 log odds ratios from 69 studies across 33 species. Re-analysed with phylogenetically informed multilevel models, the overall effect remained positive and significant but was appreciably smaller (Hedges' g=0.45, 95% CI: 0.25 to 0.66, vs. 0.58; odds ratio=1.81, 95% CI: 1.34 to 2.45, vs. 2.71). Heterogeneity was high, located within studies and among species rather than across the phylogeny. Small-study effects were strong on both scales, and correcting for them drew the mean towards zero. In some species, individuals do copy conspecifics' mate choices, but the effect is smaller, more variable, and more sensitive to publication bias than previously estimated.

تقلید انتخاب جفت، یعنی استفاده از اطلاعات اجتماعی حاصل از تصمیمات جفت‌یابی دیگران، شکلی گسترده از یادگیری اجتماعی در طبقه‌بندی‌های زیستی است که می‌تواند بر انتخاب جنسی تأثیرگذار باشد. دو فراتحلیل نتیجه‌گیری کردند که اطلاعات اجتماعی اثر مثبت متوسطی بر انتخاب جفت دارد، اما هر دو مبتنی بر جست‌وجوهای ادبیاتی هستند که اکنون دست‌کم هفت سال از آن‌ها گذشته است. ما بررسی کردیم که آیا میانگین کلی اثری که آن‌ها گزارش کرده‌اند همچنان مورد حمایت است یا خیر. با استفاده از جست‌وجویی چندزبانه و شامل ادبیات خاکستری در هفت زبان، ۶۹ اندازه اثر از ۲۹ مطالعه را افزودیم و دو معیار منبع را همسان‌سازی کردیم، که در مجموع ۲۲۷ اندازه اثر Hedges' g از ۸۷ مطالعه و ۱۷۲ نسبت شانس لگاریتمی از ۶۹ مطالعه در ۳۳ گونه به دست آمد. با تحلیل مجدد با مدل‌های چندسطحی مبتنی بر اطلاعات فیلوژنتیکی، اثر کلی همچنان مثبت و معنادار باقی ماند اما به طور قابل توجهی کمتر بود (Hedges' g=0.45، فاصله اطمینان ۹۵٪: ۰.۲۵ تا ۰.۶۶، در مقابل ۰.۵۸؛ نسبت شانس=۱.۸۱، فاصله اطمینان ۹۵٪: ۱.۳۴ تا ۲.۴۵، در مقابل ۲.۷۱). ناهمگنی بالا بود و عمدتاً درون مطالعات و میان گونه‌ها مشاهده شد تا در سراسر فیلوژنی. اثرات مطالعات کوچک در هر دو مقیاس قوی بود و اصلاح آن‌ها میانگین را به سمت صفر سوق داد. در برخی گونه‌ها، افراد واقعاً انتخاب جفت همنوعان خود را تقلید می‌کنند، اما این اثر کوچک‌تر، متغیرتر و نسبت به سوگیری انتشار حساس‌تر از برآوردهای پیشین است.