Jul, 2023

SeLiNet: 在图像情感识别中增强情感的轻量级网络

PDF
TL;DR在本文中，我们提出了一个情感丰富的轻量级网络 SeLiNet 和一个端到端的设备上的上下文情感识别流程，SeLiNet 模型由主体特征提取器、图像美学特征提取器和学习融合网络组成，共同估计离散情绪和人类情感任务。在 EMOTIC 数据集上，所提出的方法在与基准 AP 得分 27.38 相比下取得了 27.17 的平均准确率（AP）得分，同时模型大小缩小了 85% 以上。此外，与基准相比，我们在设备上报告了 26.42 的 AP 得分，模型大小缩小了 93% 以上。
sentiment-enriched lightweight networkcontextual emotion recognitionend-to-end on-device pipelinediscrete emotionhuman sentiments
发现论文，激发创造
  • 利用场景和语义特征进行多模态情感识别

    提出了一种利用场景和语义特征的多模态情绪识别方法，通过结合人物特征和环境上下文，使用 EmbraceNet 提取图像特征，并在 EMOTIC 数据集上验证了方法的有效性。

    Aug, 2023

  • Twitter 社交网络句子级情感分类的深度神经网络架构

    本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

    Jun, 2017

  • 基于知识增强的双层注意力网络用于情感分析

    本研究提出了一种基于双向长短期记忆的新型两层注意网络，利用 WordNet 生成知识图嵌入来提高情感分析的预测能力，将其与基于支持向量回归和多层感知机网络的监督模型相结合，实验结果表明该模型在 SemEval 2017 上表现优于顶尖系统，分别将 Sub-tracks 1 和 2 的准确率提高了 1.7 和 3.7 个百分点。

    May, 2018

  • Seernet 在 EmoInt-2017 中的推文情感强度估计器

    本文介绍了使用广义回归器系统在推文中估计情绪强度的实验。系统结合了词法、句法和预训练词向量特征，对通用回归器进行训练，并最终结合最佳表现模型创建一个集成系统。所提出的系统在 WASSA-2017 共享任务情感强度排行榜中名列第三。

    Aug, 2017

  • 基于门控循环神经网络和胶囊网络的隐式情感识别方法 ——Sentylic 在 IEST 2018 中的表现

    本文介绍了我们在 Implicit WASSA 2018 的情感预测比赛中所用的系统，使用了 GRU 和 Capsule Network 的模型，并利用预训练的词嵌入来将上下文信息引入模型，最终取得了 0.692 的 F1 评分。

    Sep, 2018

  • BEE-NET：识别野外身体表达情感的深度神经网络

    本研究探讨了环境因素，特别是场景和物体如何通过身体语言影响情绪表达。为此，我们引入了一种名为 BEE-NET 的新型多流深度卷积神经网络，并提出了一种新的后期融合策略，在学习过程中将场所和物体的元信息作为先验知识纳入考虑。实验结果表明，我们的深度模型在情感识别领域取得了显著的突破，超过了当前最先进的技术，情绪识别得分达到了 66.33%。

    Feb, 2024

  • DeepSentiBank：基于深度卷积神经网络的视觉情感概念分类

    本文提出了一种基于深度卷积神经网络的视觉情感概念分类方法，其中视觉情感概念是从网络照片的标签中自动发现的形容词名词对。通过 nearly one million Flickr images 数据集的训练，该深度 CNN 模型 SentiBank 2.0 显著提高了注释准确性和检索性能。

    Oct, 2014

  • EmotiCon: 利用弗雷格原则的上下文感知多模态情绪识别

    EmotiCon 是一个基于学习的算法，用于从视频和图片中识别上下文感知的人类情感。该算法利用多种模态，自注意力卷积神经网络以及深度图模型识别情感，提高了对 EMOTIC 和 GroupWalk 数据集中情感进行识别的准确率。

    Mar, 2020

  • 基于卷积神经网络的微博情感分析：自然语言处理方法

    本研究采用卷积神经网络（CNN）对来自微博的 119,988 篇原始推文进行情感分析，利用词嵌入进行特征提取，并在情感标签的基础上训练模型执行情感分类，实现了对积极、中立和消极情绪的平衡分类，展示了 CNN 在情感分析任务中的有效性。

    Jul, 2023

  • 简单模型同样有效：一种基于课程学习策略的文本对话情绪识别网络

    我们提出了一种基于课程学习策略的新型情感识别网络（ERNetCL），它通过结合前期方法的优点以简洁的方式高效地捕捉对话中的时序和空间上下文信息，并利用课程学习的思想逐步优化网络参数。在四个数据集上进行的大量实验表明，我们的方法有效地击败了其他基准模型。

    Aug, 2023