思考视觉情绪：理解和克服数据集偏见

ECCVAug, 2018

思考视觉情绪：理解和克服数据集偏见

Contemplating Visual Emotions: Understanding and Overcoming Dataset Bias

Rameswar Panda, Jianming Zhang, Haoxiang Li, Joon-Young Lee, Xin Lu...

TL;DR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。

Abstract

While machine learning approaches to visual emotion recognition offer great promise, current methods consider training and testing models on small scale datasets covering limited visual emotion concepts. Our anal

machine learning visual emotion recognition dataset biases webly supervised approach stock image dataset

发现论文，激发创造

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

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

隐性设计选择对情绪识别模型开发和评估的影响

情感识别是一个复杂的任务，本论文通过多角度研究数据集、标签、建模、人口统计学和成员变量编码以及评估等方面的挑战，推进了强健、实用的情感识别模型的发展。

Sep, 2023

跨数据集分析测试平台

本文开展了针对视觉图像识别中数据集偏见问题的大规模分析，通过将 12 个已有数据库组织成一个语料库，提供了一个有用的特征储存库以供未来研究使用。

Feb, 2014

情感：学习真实世界视觉数据的情感解释

本文介绍一项研究，通过一个包含 85,007 张公开图片、526,749 个情感反应和自由文本解释的大规模数据集，探讨使用自然语言表达对给定视觉刺激的情感反应所引起的情绪反应。研究提出了三个问题来解决这个新任务，并介绍了一些方法和开源数据集。

Oct, 2022

基于深度学习的情感识别数据增强技术比较研究

本文对情感识别中的流行深度学习方法进行了全面评估，发现语音信号中的长距离依赖对情感识别至关重要，而速率变换是获得最稳健性能提升的最佳数据扩增技术之一。

Nov, 2022

EmoSet：大规模视觉情感数据集与丰富属性

本文引入了 EmoSet 数据集，这是第一个使用丰富属性注释的大型视觉情感数据集。它包括社交网络、艺术形象等多种图像，并平衡地反映了不同情感类别。除情感类别外，每幅图像还用亮度、色彩、场景类型、物体类别、面部表情和人类动作进行了注释，出版后将发布数据和代码。

Jul, 2023

ArtEmis: 艺术视觉语言的情感化

论文提供了一个大型情感分析数据集 (ArtEmis)，用于分析视觉艺术作品与情感体验之间的关联，旨在通过机器学习模型提供情感影响和语言解释之间的详细理解。通过调查人类对于 81,000 幅维基百科艺术作品的情感归属权和解释等信息，对与视觉作品产生情感联系的数据信号进行了精细的建模，进而提出了能够清晰表达视觉刺激的情感并解释其语义和抽象内容的系统。

Jan, 2021

多语言视觉情感概念匹配

通过众包实验和单词嵌入，本文研究了文化对视觉情感感知的影响，并提供了一种有效的聚类框架，以探索、检索和浏览数据集中的多语言情感视觉概念，并通过基于众包的情感注释等新颖度量方法进行了评估。

Jun, 2016

解决面部情感识别中的种族偏见

在深度学习模型使用高维输入和主观标签进行训练时，公正性依然是一个复杂且缺乏研究的领域。面部情绪识别是一个数据集往往存在种族不平衡问题的领域，可能导致模型在不同种族群体之间产生不同的结果。本研究聚焦于通过对具有多样种族分布的训练集进行子采样，以及评估这些模拟中的测试性能来分析种族偏见。我们的发现表明，较小的数据集中的伪造面孔可以在接近种族平衡的模拟中提高公正性和性能指标。值得注意的是，F1 分数平均增加了 27.2 个百分点，人口统计学平等指标平均增加了 15.7 个百分点。然而，在具有更多面部变化的较大数据集中，公正性指标通常保持不变，这表明仅仅种族平衡是无法在不同种族群体之间实现测试性能的平等的。

Aug, 2023