本文提出了一种新颖的深度学习方法，适用于解决文字描述与图片内容松散相关的情况。这种方法在多任务和迁移学习中表现良好，可以有效地检测图片来源、预测热度、插图以及文章地理位置等问题。同时，研究人员构建了一个新的语料库以供研究者使用。研究表明，该方法在新闻文章的领域中具有很强的实用性。

Mar, 2016

利用深度学习技术分析社交媒体数据来检测社会动荡，并通过地图可视化展示全国各地的抗议行为，以加强对城市化地区重要社会问题的理解。

Jan, 2023

本篇论文使用卷积神经网络进行视觉内容的情感分析，对于利用大规模训练数据解决如此具有挑战性的图像情感分析问题提出了渐进式微调网络的策略，通过将人工标注的 Twitter 图像进行领域转移，提高了推特图像的性能，综合实验结果表明，所提出的 CNN 算法在图像情感分析中具有比竞争算法更好的性能。

Sep, 2015

开发了一种新的视觉模型，该模型能够通过视觉属性识别抗议者、描述他们的活动并估计在图像中所表现的暴力水平。通过分析从 2013 年到 2017 年的地理标记推文以及它们的图像，采用多任务卷积神经网络自动分类出图像中的抗议者，并预测视觉属性、感知的暴力和展示的情绪，并发布了包含 40,764 张图像的 UCLA 抗议图像数据集及相关注释。

Sep, 2017

该研究提出了一种端到端模型，用于为嵌入新闻文章的图像生成标题。该模型采用多模态，多头注意力机制，结合字节对编码的转换器语言模型来应对命名实体识别、多义词汇等问题，并在 CIDEr 评分上实现了当前最高水平的四倍提升。

Apr, 2020

本研究探讨了如何利用卷积神经网络 (CNNs) 在社交媒体图片数据中进行视觉情感分析，通过微调实验和架构分析，本文提出了几种架构修改方法，使得模型对于图片情感的准确预测性能得到提升，并通过对模型的本地模式展示提供关于模型对于视觉正负情绪感知的见解。

Apr, 2016

本文介绍了基于计算机视觉和深度学习的自动化方法，用于分析大规模的图像数据，并说明了它们的用途和实现。进一步地讨论了这些方法和结果的验证和解释，以及它们如何对政治传播、身份与政治、发展和冲突的研究做出贡献，从而启用了一系列的大规模研究问题。

Oct, 2018

提出了 Visual News Captioner，这是一种实体感知模型，用于新闻图像字幕的任务。同时，引入了 Visual News，这是一个规模较大的基准，其中包含 100 多万张新闻图片以及相关新闻文章，图像字幕，作者信息和其他元数据等。

Oct, 2020

本论文研究了社交媒体中的图像情感分析问题，提出了一种基于跨模态蒸馏范式的自动建立情感极性分类器的方法，即从文本数据和图像数据构建出学生模型，并在 Twitter 上收集的随机抓取的图像数据集上对模型进行了评估，证明了其在情感极性预测方面优于现有的方法。

Apr, 2023

该论文提出了一种新的图像描述方法，利用新闻文章中的上下文信息，动态扩展输出词典，通过可视化线索有选择性地从文章中提取信息，能够生成探究场景的描述，同时发表了最大的新闻图像字幕数据集 “GoodNews”，并展示了最先进的结果。

Apr, 2019