Jun, 2024

情感唤起图像增强方法的评估与比较

PDF
TL;DR通过生成对抗网络（GANs）创建情感计算的刺激数据集，探索了一种替代传统数据集准备方法的方案，包括使用不同的 GAN 架构、数据增强和迁移学习技术，在情感计算的领域中显示出有希望的生成情感激发性的合成图像，为未来的研究和改进提供了重要的潜力。
affective computingstimulus datasetsgenerative adversarial networksgan architecturesemotional synthetic images
发现论文，激发创造
  • 使用生成对抗网络的情感分类数据增强

    本论文提出了一种将生成对抗网络（GAN）用于数据增强的方法，以解决标签分布不均衡导致的图像分类困难，特别是在情感分类中，实验结果表明，使用 GAN 进行数据增强，可以使分类准确率提高 5％〜10％。

    Nov, 2017

  • 深度神经网络增强：生成面孔进行情感分析

    本文提出了一种新的方法，用于合成面部情感，接受中性 2D 人脸图像、基本面部表情或 VA 头像建议，以及 2D VA 空间中的路径作为输入，采用 3D 可变模型，对中性人脸图像进行形变和添加颜色，使生成的面孔带有特定情感，用于数据增强和深度神经网络的联调。

    Nov, 2018

  • 基于深度学习的情感识别数据增强技术比较研究

    本文对情感识别中的流行深度学习方法进行了全面评估，发现语音信号中的长距离依赖对情感识别至关重要，而速率变换是获得最稳健性能提升的最佳数据扩增技术之一。

    Nov, 2022

  • 情感：学习真实世界视觉数据的情感解释

    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

  • 数据增强和迁移学习应用于面部表情识别

    通过使用数据增强技术和生成对抗网络模型，将初步训练的卷积神经网络与不同架构的预训练模型的方法应用于面部表情识别任务，使得模型的泛化能力得到提高，从而实现对面部表情的自动识别，准确率达到 85%。

    Feb, 2024

  • 提升幸福感：通过图像扩散模型引发情绪

    通过扩展已有的图像生成研究，我们提出了一种新的情感诱发图像生成模型，旨在在保留原始场景的语义和结构的同时，生成能够引发目标情感的图像。我们使用扩散模型来有效地理解和编辑源图像，以传达所需的情感和情绪，通过进行人类心理物理实验和引入四种新的评估指标，我们系统地评估了所有方法，并证明了我们的方法超越了所有竞争基准。

    Mar, 2024

  • 情感条件图像生成

    本论文提出一种计算共创环境下生成图像的新方法，利用经过心理学验证的三元素方法来量化所需影响， 通过训练神经网络以实现对文本和图像情感内容的估计，从而可对各种生成模型进行控制和影响。

    Feb, 2023

  • 带条件生成对抗网络的情感面部生成中的跨类标签插值

    本研究探讨在情感分类数据集上使用标签插值的方法来增强 GAN 模型的表现，以生成可基于连续特征条件的情感图片，解决分类情感模型中无法实现平滑转换的问题。

    Apr, 2022

  • 思考视觉情绪：理解和克服数据集偏见

    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

  • 人工智能中的情感探析：善、恶与原因

    该研究通过将心理学理论纳入生成型 AI 模型中，提出了利用 EmotionPrompt 增强模型性能、EmotionAttack 削弱模型性能以及 EmotionDecode 解释情绪刺激效果的三种方法，实验证明 EmotionPrompt 能提升模型性能，EmotionAttack 能阻碍模型表现，并揭示了 AI 模型可以类似于人类大脑中的多巴胺机制理解情绪刺激。此研究为通过心理学探索提升我们对生成型 AI 模型的理解打开了新途径。

    Dec, 2023