婴儿情感识别综述

婴儿情感在塑造婴儿的认知和自我意识中扮演着关键角色,对婴儿成长具有至关重要的影响。目前婴儿情感研究领域,面临婴儿情感数据集不足、情感量化标准不统一,以及情感识别的准确性受限等问题。因此,如何有效地识别婴儿情感已成为该领域当前研究的核心难题。通过梳理当前婴儿情感识别领域的研究现状,从婴儿情感数据集、婴儿情感表示模型以及婴儿情感识别方法等方面对婴儿情感识别研究进行了分析与总结。列举并介绍了当前可用的公开数据集。总结并分析了常见婴儿情感模型,以及不同模态下的婴儿情感识别方法。概括该领域当前存在的问题以及探讨未来的研究方向,旨在为进一步的研究提供方向。

音乐情感识别研究综述

音乐是表达情感的重要载体,音乐情感识别广泛应用于各个领域。当前音乐情感研究中,存在音乐情感数据集稀缺、情感量化难度大、情感识别精准度有限等诸多问题,如何借助人工智能方法对音乐的情感趋向进行有效的、高质量的识别成为当前研究的热点与难点。总结目前音乐情感识别的研究现状,从音乐情感数据集、音乐情感模型、音乐情感分类方法三方面进行梳理,列举当前可使用的公开数据集并对其进行简要概括,综合评判常见的音乐情感模型,针对不同模态总结不同的分类方法。最后对该领域当前问题及今后研究工作进行归纳概括,为后续进一步的研究提供思路。

Focal损失在图像情感分析上的应用研究

充分利用Focal损失函数具有挖掘困难样本和调节样本不平衡问题的特性,将其应用在基于神经网络的图像情感分析模型中。为了缓解训练数据集的类别样本不平衡问题,提升情感分类模型的训练效率,对Focal损失函数中参数设置进行了改进。该方法通过类别权重大小来确定平衡参数α,并在神经网络模型训练的不同阶段,采用渐增方式对聚焦因子γ进行调节,然后将改进的Focal损失函数应用于图像情感分析模型的神经网络训练中。仿真实验表明,相比于交叉熵损失函数,改进的Focal损失函数能够提升神经网络对图像情感分析的性能。实验结果表明,所采用方法的准确率、宏召回率、宏精准率分别提升了0.5~2.3个百分点、0.4~3.9个百分点、0.5~3.3个百分点。

基于深度学习的藏文舆情分析研究

随着自然语言处理技术的快速发展,藏文信息处理技术也取得了较大进展。其中,藏文舆情分析作为藏族地区社会舆情分析的重要技术,受到广泛关注。但是,现有的藏文文本情感分析研究由于起步较晚,还存在很大提升空间。本文提出基于深度集成学习的藏文文本情感分析算法。并通过建立藏文情感数据集进行实验,本文算法在三类情感(正向、负向、中性)中精确率平均提升1.65%,召回率提升1.63%,F1分数提升1.96%。实验结果表明,本文采用的深度集成学习有效地提高了文本情感分类的性能。