Jun, 2023

情绪变化预测和情绪推断的弱监督方法改进

PDF
TL;DR本研究旨在探究情绪与情感的相互作用对情绪计算的影响，通过利用经过度量学习的变化情绪标签预测视频片段的情绪变化，并比较单一情绪标签与整体标签的模型预测效果，结果表明通过整合情感变化信息进行训练，情绪预测模型能够实现更好的效果。
发现论文，激发创造
  • 基于多模态深度模型的电影情感反应预测

    本研究旨在开发和分析多模态模型，预测观众观看电影片段时的情感反应。研究发现，通过提取 RGB 帧和光流的特征以及音频中的各种低级描述符，采用深度神经网络模型来进行情感预测更为精确。其中，光流特征比 RGB 视频更加信息含量丰富，且音频特征的预测精度高于视频特征。

    Sep, 2019

  • 跨模态分布匹配的半监督多模态情感识别

    提出了一种基于跨模态分布匹配的半监督多模态情感识别模型，该模型利用丰富的未标记数据增强模型训练，实验结果表明该模型能够有效地结合多模态并利用未标记数据提高情感识别性能，并在同等条件下优于其他最先进的方法。

    Sep, 2020

  • LEAPMood：基于遗传算法驱动超参数调整的轻量高效架构，用于情绪预测

    本文提出了一种基于 LEAPMood 的自然语言文本情绪预测方法，该方法使用字符嵌入、音素哈希和注意力等技术，结合基于遗传算法的超参数调整方法，实现了情绪识别和情绪预测，并在 DailyDialog 数据集上取得了精确度为 62.05%、内存大小为 1.67MB 的 Emotion Recognition in Conversion (ERC) 模型，和 Macro F1-score 为 72.12% 的 mood prediction 效果。

    Feb, 2022

  • 通过少样本和多任务对比学习高效标记情感视频数据集

    利用 Multi-Task Contrastive Learning for Affect Representation（MT-CLAR）结合深度学习技术，通过对表情图片的对比学习来推断表情表达的相似性，以及两个面部表情在情感价值和唤起水平上的差异，并扩展该框架用于自动化视频标注。

    Aug, 2023

  • 不完整多模态情感数据的半监督深度生成建模

    本文提出了一种基于多视角深度生成性框架的新方法，通过多模式专用生成网络对多模态情感数据的统计关系进行建模，基于高斯混合分布对共享潜在变量的后验分布进行假设，以解决单一模式情感数据识别困难、手动注释代价高昂、情感数据存在缺失模态问题等问题，并在两种真实的多模态情感数据集上进行了实验验证。

    Jul, 2018

  • 人类情感中学习标签之间的关系

    该论文提出了一种利用深度学习方法处理情感识别及精神分裂症严重程度估计问题的方法，通过引入关系损失和注意力机制等手段提高了网络的性能，成功地克服了少数据、长视频等问题。实验证明，所提出的方法在精神分裂症识别领域的准确率可以取得人类专家的 85% 的准确率，优于先前的实验成果。

    Jul, 2022

  • 监督式对比学习用于情感建模

    通过对多模态用户输入的可测情感表征进行情感分类，并通过对比学习来训练泛化的、高水平的、融入情感信息的情感表示，提高情感模型的准确性。

    Aug, 2022

  • 情感反应预测的标签语义建模

    本论文提出一种基于标签语义的情感标注模型，包括标签 embedding 和半监督策略，并在情感推断任务方面取得了领先研究成果。

    Jun, 2020

  • 多模态情感分析探索情绪结构

    本文提出一种新的多模态情感分析方法，使用深度神经网络结合视觉分析和自然语言处理，旨在推断用户潜在的情感状态并且在社交网络中应用此方法实现自我报告的情感标签的预测，实验证明该模型的性能优于仅基于图像或文本的单独模型，并具有与情绪相关的合理词汇列表。

    May, 2018

  • 面向标签无关情感嵌入

    本文提出了一种训练方案，可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示，通过实验表明，该方法能够实现所需的互操作性，而不降低预测准确率。

    Dec, 2020