本项目完成了对AffectNet数据集中，手动标注且为中性、开心、悲伤、惊讶、恐惧、厌恶和生气，7种表情的图像的对齐、裁剪及数据划分任务，具体地，筛选并划分出283901张图像用于训练，3500张图像用于验证，其中训练图像包括74874张中性表情，134415张开心表情，25459张悲伤表情，14090惊讶表情，6378张恐惧表情，3803张厌恶表情，24882张生气表情，验证图像各个表情类别均为500张。
本项目适用于AffectNet-7分类任务的数据集处理，仅限于对齐、裁剪和数据划分，并未将所有图像全部缩放至指定大小，须注意。
本项目的代码分别参考这里（图像筛选、对齐和裁剪）和这里（训练标签加噪）十分感谢前辈们的工作！ 另外，感谢我同门吴锐同学的帮助！
1、数据准备工作
由于AffectNet数据集并未开源，需要自行申请，具体可点这里，申请并下载成功后，须将AffectNet数据集手动标注的图像及标签，放在Manually_Annotated文件下，如下图所示：
需要注意的是，截至目前，官方提供的train.csv中有一条记录存在问题，需要大家手动删除后，方可使用。
2、数据处理部分
(1) 首先运行pickle_annotations_affectnet.py文件，在result文件夹中生成data_affectnet.pkl文件。
(2) 接着运行sava_crop_imgs_affectnet.py文件，在result/aligned_crop_affectnet_imgs文件夹中生成经对齐和裁剪的AffectNet-7数据集，共287401张图像（283901张训练图像，3500张测试图像）。
(3) 最后运行save_annotatons_affectnet.py文件，在result文件夹中生成train_label.txt和val_label.txt文件。
至于dataloading.py、aligner.py和cal_each_category_img_nums.py文件分别用于数据加载、面部对齐和各表情类别的数量统计，如果大家只在意结果，暂时可不用管这几个文件，只需要记住aligned_crop_affectnet_imgs文件夹中存放了处理后的AffectNet-7数据集，result文件夹中存放了划分好的训练集和验证集的标签信息，即train_label.txt和val_label.txt文件。
3、为训练标签加噪
该部分代码在generate_noise_label.py中，运行本文件，即可完成对训练标签的加噪(10%、20%、30%)，结果存于result文件夹中，分别为0.1noise_train.txt、0.2noise_train.txt和0.3noise_train.txt。
温馨提示 如果想在保存图像情绪标签的同时也保存图像的VA标签信息，或对AffectNet数据集进行AffectNet-8（即包括蔑视的表情）的处理，只需要对本代码进行稍加改动即可。
最后，如果大家在运行项目的过程中，有任何问题，欢迎留言~