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

本研究提出一个多元感情图像数据集 EMOTIC，并通过 bounding box 、场景语境等方法训练多种卷积神经网络模型，结果表明场景语境对自动识别情感状态提供了重要信息，为情感识别领域的研究提供了新思路。

Mar, 2020

介绍了 GoEmotions，这是目前最大的手动标注的数据集之一，其中包含 58k 英文 Reddit 评论，并将其标记为 27 种情感类别或中性。通过传递学习实验，证明了该数据集具有良好的泛化性能，BERT-based 情感检测模型取得了.46 的平均 F1 分数。

May, 2020

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

通过对 DepressionEmo 数据集进行情感、时间分布和语言分析，并使用文本分类方法，特别是 BERT 模型，研究表明该数据集在通过文本分析来识别抑郁症患者的情感上具有一定的价值，其中自杀意图情感所达到的最高 F1-Macro 值表明了这一点。

Jan, 2024

介绍了一个超过 7000 个波斯语句子的人工标注情感数据集 ——ArmanEmo，该数据集基于 Ekman 的六种基本情感和 “其他” 类别标注，同时提供了基于现代语言模型的情感分类基线模型。实验结果表明，该数据集具有超越现有波斯语情感数据集的更好泛化能力。

Jul, 2022

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

近年来，情绪原因分析引起了研究人员的关注。为了填补现有数据集在规模和情绪类别数量上的限制，并提供更具抽象性和可推广性的根本原因，我们引入了一个由 1500 万个清理后的推文构成的大规模情绪原因数据集。我们描述了我们的筛选过程，其中包括全面的数据收集、清理、标记和验证流程，以确保数据集的可靠性和丰富性。我们提取情绪标签，并提供导致情绪的事件的抽象化摘要。最终的数据集包括超过 70 万个推文和对应的情绪 - 原因对，涵盖了 48 个情绪类别，并由人工评估员进行了验证。我们数据集的新颖之处在于它涵盖了广泛的情绪类别，并提供了抽象的情绪原因，从而促进了情绪 - 原因知识图谱的细致推理。我们的数据集将使得能够考虑不同人对同一事件的多样化情绪反应的情绪感知系统的设计成为可能。

Jun, 2024

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

本研究使用深度学习技术，以多模态方式，使用面部检测、音频流等模态，探索影片情感识别模型，成果在 2013 年的 EmotiW 挑战中成为获胜者，并在 2014 年的数据集上实现了约 47.67% 的准确率。

Mar, 2015