CVPRJul, 2016

使用基于游戏的框架开发 “野外” 情感数据集

PDF
TL;DR本文提出了一个基于游戏的数据采集框架，使用深度学习方法构建情感分类器，并以情感网络游戏为接口，自动采集带标签的情感图像。通过比较测试结果，说明由于数据规模大、平衡性好，该数据集可用于构建比 CIFE 训练得到的情感检测器更加稳健的情感检测器。
facial emotionsdatasetemotion classifierdeep learningdata collection
发现论文，激发创造
  • GANmut: 生成和修改面部表情

    通过将离散情绪映射为向量，并使用两个情感数据集进行实验，本研究旨在通过在不同数据集、图像分辨率和面部检测方法之间进行基准测试，扩展先进的 GANmut 框架的研究可能性。

    Jun, 2024

  • 思考视觉情绪：理解和克服数据集偏见

    机器学习在视觉情感识别方面的应用具有很大的潜力，但目前的方法针对有限的视觉情感概念局限于小规模数据集上进行模型训练和测试。我们的分析确定了现有视觉情感基准测试中存在的一个长期被忽视的问题，即数据集偏见。基于我们的分析，我们提出了一个基于 Webly 监督方法的解决方案，通过利用大量的库存图像数据进行训练。我们发现，使用我们的大规模图像数据集学习的模型表现出了明显更好的泛化能力。此外，使用我们的方法学习得到的视觉表示在不同的图像和视频数据集上具有很大的潜力。

    Aug, 2018

  • GoEmotions：一份包含细致情绪的数据集

    介绍了 GoEmotions，这是目前最大的手动标注的数据集之一，其中包含 58k 英文 Reddit 评论，并将其标记为 27 种情感类别或中性。通过传递学习实验，证明了该数据集具有良好的泛化性能，BERT-based 情感检测模型取得了.46 的平均 F1 分数。

    May, 2020

  • 使用数据增强和迁移学习在细粒度情感检测数据集上的大型语言模型

    本研究旨在提高文本情感分类在 GoEmotions 数据集上的性能，解决在自然语言处理中检测微妙情感的挑战，并为未来研究提供有价值的见解和方向，包括合成该领域不同数据集上的方法和性能的综述论文的潜力。

    Mar, 2024

  • 情感图像字幕中的情感偏见克服：对比数据收集

    本研究介绍了 ArtEmis 数据集及其第二版，提出使用对比数据采集方法解决数据集中情感偏向问题，并表明在新数据集上训练的编码 - 解码模型性能在所有情感类别上显著提高，并带来 20% 和 7% 的 CIDEr 和 METEOR 评估指标改善，尤其是在情感匮乏的场景下。

    Apr, 2022

  • 运用深度神经网络和贝叶斯分类器进行野外情感识别

    本文提出了一种基于深度神经网络和贝叶斯分类器的新型解决方案，其中神经网络分析单个面孔表情，贝叶斯分类器通过场景描述符估计全局情感。在 Emotion Recognition in the Wild Challenge 2017 数据集上测试，该方法在测试集上的准确率为 64.68％，显著优于竞争基线 53.62％。

    Sep, 2017

  • 虚拟现实游戏中的面部情感识别

    使用卷积神经网络在遮住眼睛和眉毛的全脸图像中准确识别七种不同的情绪，通过对虚拟现实游戏中玩家情感数据的收集与分析，提高游戏玩法分析，帮助游戏开发者创建更具吸引力和沉浸感的游戏体验。

    Dec, 2023

  • 构建大规模图像情感识别数据集：细节和基准测试

    本文介绍了一个新的图像数据集，旨在鼓励进一步研究视觉情感分析。 在此数据集上进行了广泛的基准测试分析，包括使用卷积神经网络等最新方法，证实了手工调整特征的有效性以及由于缺乏数据而导致的视觉情感分析发展滞后的挑战。

    May, 2016

  • 在自然环境中情感识别的图像数据集：FindingEmo

    我们引入了 FindingEmo，一个新的图像数据集，包含对 2.5 万张图片的注释，专门用于情绪识别。与现有数据集相反，它专注于描绘多个人物在各种自然、社交环境中的复杂场景，注释是整体进行的，超越了传统对人脸或单个人的关注。注释的维度包括情感价值、情感激动和情绪标签，使用 Prolific 收集注释。除了注释，我们还发布了指向原始图片的 URL 列表，以及所有相关的源代码。

    Feb, 2024

  • 儿童电脑游戏中的音视频情感识别模糊方法

    提出了一个基于模糊推理系统的新框架，旨在通过音频和视频数据分析来识别儿童计算机游戏中的情绪，以提升儿童用户体验，并提供对情绪的跟踪结果，有助于儿童导向式游戏开发的进展。

    Aug, 2023