基于跨领域卷积稀疏自动编码器的抽象图像情绪性分类

为了将无监督特征学习应用于小样本量的图像情绪语义分析,该文采用一种基于卷积稀疏自动编码器进行自学习的领域适应方法对少量有标记抽象图像进行情绪性分类。并且提出了一种采用平均梯度准则对自动编码器所学权重进行排序的方法,用于对基于不同领域的特征学习结果进行直观比较。首先在源领域中的大量无标记图像上随机采集图像子块并利用稀疏自动编码器学习局部特征,然后将对应不同特征的权重矩阵按照每个矩阵在3个色彩通道上的平均梯度中的最小值进行排序。最后采用包含池化层的卷积神经网络提取目标领域有标记图像样本的全局特征响应,并送入逻辑回归模型进行情绪性分类。实验结果表明基于自学习的领域适应可以为无监督特征学习在有限样本目标领域上的应用提供训练数据,而且采用稀疏自动编码器的跨领域特征学习能在有限数量抽象图像情绪语义分析中获得比底层视觉特征更优秀的辨识效果。

基于SCAM神经网络的图像情绪识别研究

图像情绪识别是情绪分析领域中的一个前沿研究方向,传统图像情绪识别方法通过导入数据库文件抽取特征,对抽取到的特征直接进行分析处理;而本文从分层优化特征角度出发,结合X-ception网络模型和注意力机制,提出一种基于可分离卷积注意力神经网络的图像情绪识别方法(SCAM)。该方法对不同卷积层特征进行筛选,学习X-ception网络模型建模后的情绪识别机制,引入用于筛选特征的注意力机制模型,进而构建图像情绪识别模型。该方法在CK+数据库上达到91.52%的情绪识别效果,充分证明了该方法在图像情绪识别任务中的有效性。