BYEL : 情感潜变清单
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。
Jul, 2016
该研究收集并准备公开发布了一个名为AffectNet的数据库,包含100多万张网络图片,其中大约半数手动注释了7种离散面部表情和不同情绪模型的愉悦和唤起度强度,并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。
Aug, 2017
本文介绍了一种基于视觉信号的深度神经网络自动识别情感的方法,提出了适用于情感识别算法训练和评估的Aff-Wild Benchmark,以及使用这一数据库 achieving best performances both for dimensional, as well as categorical emotion recognition,成为情感识别领域的最好表现之一。
Apr, 2018
本论文针对情感分析的各个领域进行了研究,提出了基于神经网络的多任务学习方法,该方法有效地应用于Aff-Wild情感数据库的新注释部分并实现了良好的性能。
Nov, 2018
本文介绍了利用深度学习方法对情感进行分析与识别的相关研究,以及在真实情境下(in-the-wild)数据上进行大规模情感分析所需深度神经网络的架构设计,并提出了一种基于多任务学习和整体框架的方法,通过改进现有的情感识别技术来提高情感识别效果。
Mar, 2021
本篇论文主要探究了利用多任务学习技术,在静态照片上进行面部表情、愉悦度和唤起度的识别。在使用合成数据学习的挑战中,MT-EmotiEffNet 模型的学习效果得到了显著提高,同时在预训练集和微调集上进行的预测结果也取得了优异表现。
Jul, 2022
本研究旨在探索情感分类中的新数据集和深度学习模型在数据特征不同时的表现,结果发现RoBERTa模型在所有情况下表现最佳,并测试了这些模型对实际社交媒体帖子的适用性。
Feb, 2023
通过研究不同的预训练模型、情感文本合成和数据增强方法,本文提出了一种提高语音情感识别效果的方法,实验结果表明该方法在IEMOCAP数据集上具有较高的效果。
Sep, 2023
本文针对面部表情识别(FER)在泛化能力和语义信息对齐方面的不足,提出了一种新颖的多模态大型语言模型EMO-LLaMA。通过使用预训练的面部分析网络和设计面部信息挖掘模块,实验表明EMO-LLaMA在静态和动态FER数据集上均达到与现有最先进方法相媲美的性能。
Aug, 2024