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

本文选择 2015 年至 2023 年间发表的论文，系统总结了关于视频情感识别的现有研究趋势，讨论了典型情感模型、常用数据库以及现代单模态和多模态视频情感识别方法的结构和性能，并比较了它们的优缺点。此外，总结了目前视频情感识别项目所面临的主要困难，并指出了未来发展方向，如建立开放基准数据库和改进多模态融合策略。本文旨在帮助学术界和工业界的科学家及时了解视频情感识别领域的最新进展和新发展。

Oct, 2023

通过使用图像和文本，我们研究了艺术品对观众情感的影响，并利用多模态分类任务探究了模型的性能表现，发现单模态多模态 transformer 模型比图像模型和双模态模型性能更好。同时，与文本模型 BERT 相比，采用单模态模型 MMBT 能够提高在极端正负情感类别上的性能。

Oct, 2021

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

该研究探讨了生成人工智能在反映作者认知过程、进行创意表达方面的潜力和限制，发现根据创意、美学、新颖性、娱乐性和深度等标准，AI 生成的艺术作品能够理解人类意图和基于情感进行视觉表现，并发现过度表现某些元素或刻板印象的图像对于 AI 的对齐性有负面影响。研究结果表明，AI 在促进创造力和自我情感表达方面具有潜力，而采用生成 AI 的框架可以帮助设计相关领域的人工智能干预措施（例如心理健康教育、治疗和咨询）。

Apr, 2023

本研究聚焦于视觉图像的对象元素和背景的语义信息，通过建立基于深度前馈神经网络的情感模型，实现对视觉图像情感值的连续预测，证实了此预测模型的有效性。

May, 2017

本文从研究者的角度出发，综述了近期 EEG 情感识别研究的代表性成果，并提供教程以帮助研究者从零开始。介绍了 EEG 情感识别在心理和生理水平上的科学基础，将这些被综述的作品分类为不同的技术路线，并说明了理论基础和研究动机，最后讨论了现有的挑战和未来的研究方向。

Mar, 2022

文本情感检测研究综述表明，虽然目前已经有许多技术、方法和模型来检测文本中的情感表达，但人类情感的复杂性以及使用隐喻性语言等因素使得这些方法不足以应对这些复杂性，因此需要关注情感表达的语言细节。

Jun, 2018

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

本文介绍了 EmotioNet 挑战的方法和结果，其中第一项挑战测试了当前计算机视觉算法在自动检测表情动作单元（AU）方面的能力，第二项挑战测试了算法在面部表情图像的情感分类方面的能力，研究表明当前机器学习算法在这两个任务中无法可靠地解决问题，计算机视觉算法在检测动作单元时的效果比检测情感分类时的效果要好。

Mar, 2017